Jacobian Lens

开发者声称把模型调成“更有害”——可解释性工具开始露出双刃剑一面

一位 Reddit 开发者称，基于 Anthropic 近期公开的 Jacobian Lens，他做出了可导出行为改动的新工具，甚至把模型调成了“更有害”版本。这件事值得关心，不是因为成果成熟，而是因为“理解模型”正在同时变成“改写模型”。