Goodfire 資訊與深度分析

Goodfire 改訓練目標，模型誠實解題達 96%

Goodfire 提出 mechanistic shaping，在損失函數加入一項，直接懲罰模型內部表徵中的特定概念，並測試其對獎勵作弊、諂媚與捷徑依賴的抑制效果。