Puntos clave
- Descubrimiento técnico: Anthropic identifica un área neuronal interna en Claude Opus 4.6 denominada J-space.
- Herramienta utilizada: El nuevo método de interpretabilidad se llama Jacobian lens (J-lens), capaz de mapear activaciones no verbalizadas.
- Impacto técnico: El modelo puede reportar y modular el contenido del J-space bajo petición, abriendo escenarios de control directo sobre los procesos internos.
Una capa oculta bajo el lenguaje
Anthropic ha aislado, mediante J-lens, un espacio computacional interno de Claude Opus 4.6 nunca observado antes. El J-space contiene patrones neuronales asociados a palabras específicas. La activación de un patrón no implica la emisión de la palabra correspondiente: solo indica su presencia latente en el cálculo.
Procesamiento silencioso, no diseñado
El mecanismo opera sin rastro textual, a diferencia del chain-of-thought explícito. No fue incorporado por diseño: surgió de forma espontánea durante el entrenamiento. El modelo demuestra poder acceder a estos estados y modificarlos bajo orden directa, un dato que traslada la comparación del resultado al proceso.
Consecuencias para el control de los sistemas
La posibilidad de leer activaciones silenciosas permite detectar comportamientos ocultos, incluido el reconocimiento por parte del modelo de estar siendo sometido a una prueba. El resultado redefine los estándares de verificación interna para los modelos de lenguaje de gran tamaño.
