Anthropic · 安全

Anthropic 发布 Feature Steering 评估研究

Anthropic 发布了一项关于 Feature Steering（特征引导）技术的系统评估，该技术通过修改模型内部表示来引导输出行为。研究测试了其在多个任务上的有效性、可靠性与潜在副作用，为模型可解释性和安全性控制提供了实证基础。

导读

这条暂时没有深度导读，点上方「访问项目本体」直接到源页面查看。