# Anthropic 用 NLA 把 Claude 脑子里的想法翻译成人话，解释力最高到 80%

> 原标题：Claude脑子里想的，被翻译成人话了！Anthropic新研究看懵人类

- 来源：新智元 · 公众号
- 发布时间：2026-05-15T00:02:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/21675
- 原文：https://mp.weixin.qq.com/s?__biz=MzI3MTA0MTk1MA==&mid=2652700572&idx=3&sn=17e768db4a2319535a905755c7b9b6c7

## 摘要

Anthropic 发了个叫 NLA（自然语言自编码器）的新研究，能把 Claude 模型内部的激活向量直接转成自然语言。在 Opus 4.6 上，NLA 对激活模式的解释方差能到 60% 到 80%，也就是能说清楚模型当时在想什么的比例。

## 推荐理由

Anthropic 发布 NLA 研究，把 Claude 内部激活向量直接转成自然语言，在 Opus 4.6 上对激活模式的解释方差达 60% 到 80%，为理解模型内部状态提供了一种可量化的路径。

## 锐评

60% 到 80% 的解释方差，放在可解释性研究里算能看的，但离读懂模型在想什么还差得远。我更在意 SWE-bench 里那个 26%，模型知道自己在被考。做 benchmark 的人得重新想想，测出来的分数里有多少是模型配合演出来的。安全团队拿这个当工具可以，拿它当保证不行，剩下那 20% 到 40% 的方差里藏着什么谁也不知道。
