**训练模型而非读者：可验证激活解释的解码监督**

_Train the Model, Not the Reader: Decodability Supervision for Verifiable Activation Explanations_

> 研究指出，自然语言自动编码器通过重建评分来评估隐藏激活的解释，但该测试对个别虚假声明不敏感。作者提出RECAP方法，通过协同训练辅助预测器使指定内容可解码，从而确保解释的真实性并有效检测对抗性谎言，提升AI可解释性与安全性。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-07-23 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2607.20379)