งานวิจัย
Anthropic เจอ 'พื้นที่ทำงานภายใน' ของ Claude ด้วย J-lens — โมเดลคิดคำว่า ERROR ก่อนจะบอกว่าโค้ดมีบั๊ก และรู้ตัวว่ากำลังโดน prompt injection
งานวิจัย interpretability ใหม่ของ Anthropic (6 ก.ค. 2026) เสนอเครื่องมือ Jacobian lens (J-lens) ที่อ่าน 'พื้นที่ทำงานภายใน' (J-space) ของ Claude ได้ พบว่าโมเดลคิดคำว่า ERROR ตั้งแต่ตอนอ่านโค้ดที่มีบั๊ก, ผุดคำว่า injection/fake เมื่อเจอการโจมตี และเก็บขั้นตอนคำนวณกลางทางไว้เป็นลำดับ — ปิดพื้นที่นี้แล้วงานที่ต้องใช้เหตุผลหลายขั้นพังทันที
· อ่าน 6 นาที