● Martian 可解释性挑战：可解释性领域的核心问题 — LessWrong

📌 一句话摘要 Martian 设立的 100 万美元可解释性奖金旨在解决该领域在泛化性和实用性方面的失败，重点关注代码生成领域，因为形式语义为机械可解释性提供了可验证的基准真相。 📝 详细摘要 本文是“Martian 可解释性挑战”的宣言，这是一项耗资 100 万美元的计划，旨在将机械可解释性

● 让 Claude 进行自主研究以改进 SAE — LessWrong

📌 一句话摘要 本文探讨了利用 Claude 作为自主研究智能体来优化稀疏自编码器 (SAE) 架构，通过重新发现并改进经典的字典学习技术，在合成基准测试中获得了近乎完美的评分。 📝 详细摘要 作者详细介绍了一项实验，任务是让 Claude 在 SynthSAEBench-16k 基准测试中提高

● 通过转向操控选择性降低 Gemma 3 27B 的评估意识和谋杀意图 — LessWrong

📌 一句话摘要 本文探讨了利用稀疏自编码器 (SAEs) 识别并操控 Gemma 3 27B 中与评估意识和有害意图相关的特征，揭示了关于模型诚实性以及在较小模型中进行操控的局限性。 📝 详细摘要 作者使用稀疏自编码器 (SAEs) 对 Google 的 Gemma 3 27B 模型进行了可解释