Anthropic 论文提出 NLA，隐藏动机发现率提升 4 倍以上

Anthropic 发布论文《Natural Language Autoencoders Produce Unsupervised Explanations of LLM Activations》，提出自然语言自动编码器 NLA，把模型内部高维激活值压缩成自然语言解释，再由这段文字反向重建原始激活，形成回环验证。