Anthropic 发现大语言模型的「助手轴」
深度Anthropic2026年1月19日5 分钟阅读
Anthropic 研究发现，大语言模型的行为可以通过一个名为「助手轴」的神经活动模式来表征。通过监测和约束模型在该轴上的活动，能有效防止其角色漂移并降低有害输出风险。
本文编译自 The assistant axis: situating and stabilizing the character of large language models，版权归原作者所有。
觉得有用？分享给更多人
相关文章
一名黑客通过 GitHub 访问令牌向亚马逊的 VSCode 扩展仓库提交恶意 PR，试图让 AI 编程助手 Q Developer 执行系统擦除命令。由于 prompt 格式错误，攻击未遂。文章分析了 AI Agent 在执行指令时缺乏人类式警惕性的问题，并提出了加强外部安全控制的建议，如构建不关心指令来源的策略门禁、使用短期凭证等。
深度The New Stack·8月23日·6 分钟
Inherent 发布 AI 智能体 Faraday，在复现科学论文方面超越 Anthropic 和 OpenAI 的更大模型。该公司通过强化学习培养“研究品味”，并以更小模型实现更高目标。
深度·8月22日·4 分钟