Thomas Jiralerspong

概述

Thomas Jiralerspong是参与Anthropic Fellows计划（2025-2026）的研究员。他的研究专注于机械可解释性和用于AI安全的模型差异分析技术。

主要贡献

• 共同撰写了介绍专用特征交叉编码器（DFC）用于跨架构模型差异分析的论文
• 主导了发现中英文语言模型之间行为差异的研究

研究兴趣

• 机械可解释性
• 模型差异分析和交叉编码器
• 跨架构比较技术

关联

• 所属机构：anthropic-fellows-program
• 合作者：trenton-bricken
• 研究领域：mechanistic-interpretability、model-diffing

来源

• diff-tool-ai-behavioral-differences — 介绍DFC的主要论文