Anthropic 深读

Anthropic 公开 4 大研究 team：Alignment / Interpretability / Societal Impacts / Frontier Red Team。加上 agent 应用层和工程基础设施，本章按以下顺序展开：

1. 工程深读 — 怎么训出 Claude（pretraining infra / JAX 栈 / 数据 / serving）
2. 机制可解释性 — SAE / circuit analysis / attribution graphs（Interpretability team）
3. 对齐研究 — CAI / Alignment Faking / Reward Hacking / Sycophancy（Alignment team）
4. Agents 工程 — Computer Use / MCP / Tool Use（agent 应用层）
5. Safety + Frontier Red Team — Constitutional Classifiers / RSP / 多层防御（Red Team）
6. 社会影响研究 — Economic Index / Project Vend / Project Deal（Societal Impacts team）

跟其他实验室相比 Anthropic 的特色：

• 公开度居中，但 alignment / interp 研究 paper 数量遥遥领先
• 4 大 team 有专门 societal impacts 研究（OpenAI / DeepSeek 都没有这条线）
• 工程层面 JAX + 多硬件栈是独特路径

---

↑ 上级 · K. 前沿实验室深读