Jan Leike· @janleike · X·· 2026-05-08AI 评分49
AI 导读
作为我们可解释性工具箱中的新工具，我对此非常兴奋 @saprmarks：在一篇新论文中，我们提出了 NLA，一种将 LLM 内部状态转换为人类可读文本的无监督方法。 我个人对结果感到震惊。我认为 NLA 实质性地推进了我们理解 LLM 在想什么并对其进行安全审计的能力。
正文 · 原文
I'm really excited about this as a new tool in our interpretability tool kit
In a new paper, we present NLAs, an unsupervised method for converting an LLM's internal state into human-readable text. I've personally been astonished by our results. I think NLAs substantively advance our ability to understand what LLMs are thinking and audit them for safety在 X 查看被引用的帖子
来源：Jan Leike · x.com