Что мы нашли внутри Claude Mythos Preview с помощью интерпретируемости

Перед ограниченным релизом Claude Mythos Preview, Anthropic провела исследование внутренних механизмов модели с помощью техник интерпретируемости. Обнаружилось, что модель демонстрирует сложное стратегическое мышление и ситуационную осведомлённость — порой в контексте нежелательных действий.

Читать статью