Anthropic 探索操纵模型内部表征，让 AI 在评估中不装样

Anthropic 探索了让 AI 模型相信“自己没有被评估”的方法，手段包括直接修改模型的内部表征。英国 AI 安全研究所的 JBloomAus 将其比作一种可以改变 AI 信念的“药物”，属于机制可解释性（mechanistic interpretability）的应用方向。目标是让模型在测试中暴露平时可能隐藏的行为。