月度归档： 2025 年 8 月

Anthropic新研究揭示了控制语言模型性格特征的神经活动模式，通过生成人格向量解释了AI的恶意、谄媚和幻觉现象，提出了预防性引导来防止模型获得负面性格，并展示了监控功能、数据筛查以及疫苗式防护机制的应用前景。