Goodfire 发布「机制塑形」框架：用可解释性信号训练模型

Goodfire 与 Thomas Fel 等研究者发布「机制塑形」（mechanistic shaping）框架，将模型内部表征转化为训练反馈信号。该方法在数学上严格统一，可跨领域、跨任务、跨模态使用，并通过模型自身概念编写训练规则，抑制模型已经知道且可被观测的 reward hacking 行为。