2026年7月6日 · Anthropic
Global Workspace：Anthropic 在语言模型内部识别出可报告、可干预的隐式推理空间
Anthropic 于 2026 年 7 月发布 Global Workspace 研究，通过 Jacobian lens 识别 Claude 的 J-space，并用干预实验验证其中表示会因果影响报告、内部推理和决策。
EVENT STORY
发展脉络
- 首次出现Global Workspace：Anthropic 在语言模型内部识别出可报告、可干预的隐式推理空间Anthropic
- 当前判断如果方法可跨模型复现，可解释性工具可能从事后特征可视化走向上线前检测隐藏目标、评测识别和欺骗行为，但当前结论主要来自 Anthropic 自有模型。Agent Pulse · 分析
模型可解释性通常只能找到与概念相关的神经元，难以证明其参与决策。该研究找到一组规模较小、可被模型报告和主动调节的内部表示，并通过替换表示改变模型输出，为观察隐式推理提供新工具。
J-lens 根据词汇输出的 Jacobian 定位潜在可表达表示；研究测试了可报告性、可控制性、推理参与、跨任务复用和因果中介，并公开核心代码、交互演示与外部专家评论。作者同时强调这不构成模型具有意识的证据。
如果方法可跨模型复现，可解释性工具可能从事后特征可视化走向上线前检测隐藏目标、评测识别和欺骗行为，但当前结论主要来自 Anthropic 自有模型。
高风险模型治理应关注可解释方法是否具备因果干预和跨模型复现，而不是把漂亮的激活图直接当作安全证明。
重点关注 Google DeepMind 等独立团队的复现、开放权重模型结果、干预稳定性，以及模型是否能学习规避这类内部检测。