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
Goodfire 推出一种新型 AI 智能体监控方案，通过探针读取模型内部激活信号而非重读输出，在 Kimi K3 测试中监控约 1500 次会话仅需 51 美元，远低于传统方案的 233 至 10000 美元，同时捕获 94% 的恶意黑客会话。该技术已通过 Baseten 向客户提供，针对开源模型缺乏安全护栏的问题。
深度·10月8日·4 分钟
作者把自己的 Azure 凭证交给编程 Agent，实测了鉴权、授权、权限范围和审计覆盖的真实状态。借来的凭证让审计日志只认人不认 Agent，还悄悄继承了人累积的组权限（而标准权限检查根本看不到这些）。即使换成配置规范的服务账号，问题依然存在：数据库无法区分调用者是谁。
深度The New Stack·10月8日·12 分钟