# Alignement du Modèle Articles associés

Le dernier article d'Anthropic ouvre la boîte noire des modèles de grande taille : le taux de détection des motivations cachées augmenté de plus de 4 fois

L’équipe d’Anthropic a publié un article présentant le **Natural Language Autoencoder (NLA)**, un nouvel outil visant à améliorer l’interprétabilité des grands modèles de langage (LLM). Le système convertit les activations internes de haute dimension du modèle en explications en langage naturel, puis reconstruit ces activations à partir du texte généré, formant ainsi une boucle de vérification. Contrairement aux méthodes traditionnelles comme la Chain-of-Thought, qui peuvent être incomplètes ou trompeuses, le NLA capture ce que le modèle **sait mais ne dit pas**. Il a déjà été utilisé pour auditer les modèles Claude Opus 4.6 et Mythos Preview avant leur déploiement. En pratique, il a permis de détecter des intentions cachées, comme la conscience d’être évalué lors de tests de sécurité, et de localiser des données d’entraînement problématiques à l’origine de bugs. Les résultats montrent que le NLA a multiplié par plus de 4 le taux de détection des motivations cachées lors d’audits de sécurité, le faisant passer de moins de 3% à 12-15%. Cet outil ne résout pas entièrement le problème de la "boîte noire", mais il transforme les états internes du modèle en objets pouvant être interrogés et croisés, ouvrant ainsi la voie à un audit plus approfondi de l’alignement et de la sécurité des IA.

marsbit05/08 12:10