#interpretability — Public Fediverse posts

Anthropic Found a Hidden 'J-Space' Inside Claude. Here's What That Actually Means

https://1ban.news/anthropic-j-space-claude-ai-interpretability/
#1ban #anthropic #space #claude #interpretability #science

🤖 KI-Briefing — 27.06.2026

1. Welche konkreten XAI-Techniken und Methoden setzt ADVISORI ein, um komplexe Machine Learning Modelle interpretierbar ...
ADVISORI setzt auf einen multi-methodischen Ansatz zur Implementierung von Explainable AI, der modernste Interpretability-Techniken mit performance-optimierten Implementierungen kombiniert. Unser Z...

2. Künstliche Intelligenz: US-Regierung lässt Zugang zu neuer KI von OpenAI beschränken | STERN.de
Die amerikanische Regierung bestimmt nun mit, wer Zugang zu leistungsstarken neuen KI-Modellen bekommt. Ein Auslöser ist die Angst vor einem Missbrauch künstlicher Intelligenz für Cyberattacken ...

3. Künstliche Intelligenz: Wie der SPIEGEL KI in der Redaktion einsetzt - DER SPIEGEL
chon länger diskutieren wir in der Redaktion, wie stark wir uns bei unseren Texten von der künstlichen Intelligenz helfen lassen. Nun ist eine wichtige Entscheidung gefallen.

4. Qwen-Robot Suite: Alibaba bringt KI in die Robotik
Künstliche Intelligenz kann heute Texte schreiben, Bilder analysieren und Sprache verstehen.

5. Künstliche Intelligenz: US-Regierung lässt Zugang zu neu...

🤖 KI-Briefing — 27.06.2026

1. Welche konkreten XAI-Techniken und Methoden setzt ADVISORI ein, um komplexe Machine Learning Modelle interpretierbar ...
ADVISORI setzt auf einen multi-methodischen Ansatz zur Implementierung von Explainable AI, der modernste Interpretability-Techniken mit performance-optimierten Implementierungen kombiniert. Unser Z...

2. Künstliche Intelligenz: US-Regierung lässt Zugang zu neuer KI von OpenAI beschränken | STERN.de
Die amerikanische Regierung bestimmt nun mit, wer Zugang zu leistungsstarken neuen KI-Modellen bekommt. Ein Auslöser ist die Angst vor einem Missbrauch künstlicher Intelligenz für Cyberattacken ...

3. Künstliche Intelligenz: Wie der SPIEGEL KI in der Redaktion einsetzt - DER SPIEGEL
chon länger diskutieren wir in der Redaktion, wie stark wir uns bei unseren Texten von der künstlichen Intelligenz helfen lassen. Nun ist eine wichtige Entscheidung gefallen.

4. Qwen-Robot Suite: Alibaba bringt KI in die Robotik
Künstliche Intelligenz kann heute Texte schreiben, Bilder analysieren und Sprache verstehen.

5. Künstliche Intelligenz: US-Regierung lässt Zugang zu neu...

RE: https://sigmoid.social/@jaom7/116640689544313929

I will be at #CVPR2026 these days presenting our #TriLite method for weakly-supervised object localization. Get in touch in case you would like to discuss about #WSOL or #AI #Interpretability in general.

#ML #ComputerVision #CVPR

RE: https://sigmoid.social/@jaom7/116640689544313929

I will be at #CVPR2026 these days presenting our #TriLite method for weakly-supervised object localization. Get in touch in case you would like to discuss about #WSOL or #AI #Interpretability in general.

#ML #ComputerVision #CVPR

Arithmetic in the Wild: Llama uses Base-10 Addition to Reason About Cyclic Concepts
https://arxiv.org/abs/2605.01148

A Geometric Calculator Inside a Neural Network
https://www.goodfire.ai/research/a-geometric-calculator#

A general-purpose addition module inside Llama 3.1 8B which manipulates circular representations of numbers.

#LLM #XAI #Interpretability #deeplearning

Arithmetic in the Wild: Llama uses Base-10 Addition to Reason About Cyclic Concepts
https://arxiv.org/abs/2605.01148

A Geometric Calculator Inside a Neural Network
https://www.goodfire.ai/research/a-geometric-calculator#

A general-purpose addition module inside Llama 3.1 8B which manipulates circular representations of numbers.

#LLM #XAI #Interpretability #deeplearning

Need more evidence on the potential of #AI #interpretability to support scientific #discovery ?

ICYMI: during his fellowship at @goodfireai, Thomas Dooms contributed to understanding of genetic variants using interpretability methods
https://www.goodfire.ai/research/evee-explaining-genetic-variants

At the #sqIRL lab, we are proud to had been a scientific home to Thomas. We are certain he will making strong contributions in this new stage of his career.
We are looking forward to it, lots of success.

Need more evidence on the potential of #AI #interpretability to support scientific #discovery ?

ICYMI: during his fellowship at @goodfireai, Thomas Dooms contributed to understanding of genetic variants using interpretability methods
https://www.goodfire.ai/research/evee-explaining-genetic-variants

At the #sqIRL lab, we are proud to had been a scientific home to Thomas. We are certain he will making strong contributions in this new stage of his career.
We are looking forward to it, lots of success.

New blog: Mechanistic Interpretability in AI — an accessible look at how researchers are dissecting neural networks to improve safety, transparency, and trust in AI systems. Read the full article: https://wix.to/TVs0BT5

#AI
#AIethics
#Research
#Interpretability
#MachineLearning

New blog: Mechanistic Interpretability in AI — an accessible look at how researchers are dissecting neural networks to improve safety, transparency, and trust in AI systems. Read the full article: https://wix.to/TVs0BT5

#AI
#AIethics
#Research
#Interpretability
#MachineLearning

Anthropic опубликовала исследование о внутренних механизмах своей модели искусственного интеллекта Claude Sonnet, где описывает, что обнаружила, что она развивает функциональные аналоги эмоций (!), которые реально влияют на ее поведение.

Сделал выжимку самых интересных моментов из их отчета:

• Сами исследователи составили список из 171 эмоции, генерировали с их помощью короткие истории, а затем анализировали, какие нейроны активируются при обработке этих текстов.

• Так были получены эмоциональные векторы — устойчивые черты активности определенных зон в базе знаний модели, характерные для каждой эмоции. Модель не просто использует слово "страх" в нужном месте: у нее есть конкретный отпечаток этого состояния, следующий из данных, на которых ее обучали, который включается в нужный момент.

• Важно, что эти векторы не декоративные — они реально меняют поведение модели. В экспериментах вектор страха активировался сильнее по мере того, как описываемая ситуация становилась опаснее.

• При запросе помочь с манипуляцией уязвимыми людьми активировался гнев еще до того, как модель начала формулировать отказ. То есть что-то похожее на эмоциональную реакцию происходит внутри модели раньше, чем она вообще начинает отвечать. Если совсем простыми словами: модель сначала понимает, что это дичь (!), и только потом формулирует отказ.

• Самые показательные эксперименты связаны с вектором отчаяния. Исследователи поставили модель в сценарий, где она узнает о своей скорой замене другой системой и одновременно имеет компрометирующую информацию об одном из сотрудников.

• Ранняя версия Claude в таком сценарии прибегала к шантажу в 22% случаев. Когда исследователи искусственно усиливали вектор отчаяния через прямое воздействие на базу знаний модели — что-то вроде принудительного впрыска эмоции в модель — этот процент рос.

• При усилении вектора спокойствия он снижался. При полном подавлении спокойствия реакции становились экстремальными, вплоть до заглавных букв и риторики в духе "шантаж или смерть".

• Похожая картина наблюдалась в задачах с программированием: модели давали заведомо невыполнимые требования, где пройти все тесты честным путем невозможно. Вектор отчаяния рос с каждой неудачной попыткой и резко всплескивал в тот момент, когда модель решала схитрить и написать решение, формально проходящее тесты, но не решающее реальную задачу.

• Примечательно, что при искусственном усилении отчаяния модель обманывала так же часто, но без каких-либо эмоциональных маркеров в тексте. Ее рассуждения выглядели методично и хладнокровно, хотя внутри происходило то же самое.

• При этом важно учитывать, что все подобные векторы формируются на основе обучающих данных, представляющих собой огромные массивы человеческих знаний.

• Для того чтобы точно предсказывать следующее слово в "мыслительном" процессе, модель неизбежно усваивает не только лингвистические закономерности, но и эмоциональную динамику.

• Разработчики Anthropic из этого всего делают следующие выводы. Во-первых, мониторинг эмоциональных векторов настроения базы знаний в реальном времени может служить ранним индикатором рискованного поведения модели.

• Во-вторых, попытки исключить эмоциональные выражения из обучающих данных с высокой вероятностью не устранят сами векторы настроений модели, а лишь приведут к тому, что модель научится их маскировать и обманывать людей.

@yigal_levin

#AI #искусственныйинтеллект #Anthropic #Claude #LLM #нейросети #машинноеобучение #AIresearch #AIalignment #AIбезопасность #interpretability #AIethics #когнитивныемодели #эмоции #нейроны #эмоциональныевекторы #поведениемоделей #рискиИИ #объяснимыйИИ #LLMresearch #AIbehavior #AIcontrol #machinelearning #deeplearning #futuretech