研究提出并训练名为 Predictive Concept Decoders (PCDs) 的可解释性助手，将模型内部状态翻译为人类可读概念列表并回答模型行为问题，报告其在越狱、秘密提示与注入概念场景的表现及扩展性证据，并发布 arXiv 报告与在线演示。

先了解这件事

Transluce 提出 Predictive Concept Decoders（PCD），训练可解释性助手把模型内部状态翻译成人类可读的概念列表，再据此回答模型行为问题。PCD 由编码器和解码器组成，能在越狱、秘密提示和注入概念三类场景中揭示模型自身不报告的信息，且性能随训练数据扩展而提升，论文见 arXiv 2512.15712，可在 decoder.transluce.org 体验。