先了解这件事
AI 综述
Anthropic可解释性团队报告了对一次未成功越狱的电路追踪发现。该团队发布2025年4月Circuits Updates,包含三篇新文章:Life of an unsuccessful jailbreak、Interpretable dense features和So You Want to Work in Mechanistic Interpretability?。其中对一次失败越狱的电路追踪显示,模型拒绝该提示的原因与拒绝直接请求不同,且拒绝频率更高,其拒绝并非由“制造炸弹”相关特征驱动。目前没有后续发展事实。
AI 根据公开报道生成
最新进展 · 正式报道
Anthropic 可解释性团队 2025 年 4 月 Circuits Updates事件进展
1 个已确认进展
- 来源：Anthropic：Transformer Circuits
报道与讨论时间线
按时间查看正式报道与传播讨论；两类内容的证据等级保持独立。
10月13日
Anthropic：Transformer Circuits一手
Anthropic 可解释性团队 2025 年 4 月 Circuits Updates
Anthropic 可解释性团队发布 2025 年 4 月 Circuits Updates，包含三篇新文章：Life of an unsuccessful jailbreak、Interpretable dense features 和 So You Want to Work in Mechanistic Interpretability?。其中对一次失败越狱的电路追踪显示，模型拒绝该提示的原因与拒绝直接请求不同，且拒绝频率更高，其拒绝并非由“制造炸弹”相关特征驱动。