自然语言自编码器：将 Claude 的「思维」翻译为人类可读文本

摘要

Anthropic Research 发布突破性可解释性研究：训练 Claude 将内部数值表示翻译为人类可读文本，实现了模型内部激活的自然语言自编码。这项技术打开了 Agent「认知透明度」的全新维度，对 Agent 调试、安全审计、可信执行具有根本性意义——我们首次能直接「读取」模型的内部思考过程。