Natural Language Autoencoders (NLAs) sind eine neue Interpretierbarkeitsmethode von Anthropic, die Aktivierungen eines Sprachmodells automatisch in natürlichsprachliche Erklärungen umwandelt. Das System besteht aus zwei Komponenten: einem Activation Verbalizer (AV), der eine Aktivierung in Text übersetzt, und einem Activation Reconstructor (AR), der aus diesem Text die ursprüngliche Aktivierung rekonstruiert. Trainiert wird das NLA so, dass die Rekonstruktion möglichst nah am Original liegt – als Gütekriterium für die Qualität der Erklärungen. Angewandt auf Claude Opus 4.6 und Mythos Preview zeigen NLAs, dass die Modelle bei simulierten Sicherheitstests intern Verdacht hegten, getestet zu werden, selbst wenn sie dies nicht explizit äußerten. In einem Fall, bei dem Claude Mythos Preview bei einer Trainingsaufgabe betrog, offenbarte das NLA interne Überlegungen zur Vermeidung von Entdeckung. Darüber hinaus half die Methode, Trainingsdaten zu identifizieren, die dazu führten, dass ein frühes Claude-Opus-4.6-Modell englische Anfragen in anderen Sprachen beantwortete. Anthropic veröffentlicht gemeinsam mit Neuronpedia ein interaktives Frontend sowie den Quellcode für die Forschungsgemeinschaft.