“写笔记”支持四种格式——Word 文档、Excel 表格、Markdown、纯文本，起稿或二次编辑时都能随时切换，同一篇笔记想用哪种形态来记，都由你说了算。
md、txt、csv、json 这类纯文本则原样载入，不做多余加工。拿一张现成的表倒进来、改几笔、再导出去，等于白用一台免费的格式转换器。
要带走就在右上角点“下载”，可导出 PDF、Word、Markdown、Excel、TXT 等格式；列表卡片“⋯”菜单里，也有同样的下载入口。
在“工具”页点“＋ 上传工具”即可发布：填好名称与链接，再用 Markdown 把使用方法写清楚——能解决什么问题、怎么装、怎么用，比堆介绍实在。
要分发安装包就一并上传压缩包（ZIP、RAR、7Z、TAR.GZ，最大 35MB），别人在详情页一键下载；只放链接不带附件也可以。
工具按大家的收藏热度排序，好用的自然会被顶上来。发布后可在详情页或卡片菜单里编辑、下架。
写笔记时勾上“隐藏”，这篇就只存在于你自己的账号里：不进列表、不进搜索、不上首页精选，也不会出现在任何公开的页面，链接发给别人同样打不开。
适合放密码、草稿、日记这类只给自己看的内容；想公开，去“发布”打开它，把“隐藏”的勾去掉再保存，之后编辑会默认保持原状态，不会悄悄变回公开。
你的内容会同时保存在多个副本上，系统定期做备份与完整性校验，再配合异地容灾机制：就算某台机器出问题，数据也不会丢，可以长期放心存放；特别重要的资料，仍建议你另外再留一份备份。
全站跑在容器化、模块化的现代架构上，更新、部署、回滚都很快，扩展性和稳定性都按长期运营的标准来设计（Built for reliability, designed to scale）。
这个网站最早只是一个人的笔记仓库，后来慢慢长成现在的知识中枢。设计上很克制——没有广告、没有追踪、没有推荐算法，只是干干净净地存放一些东西；既然做好了，就公开出来，万一有人用得上呢。
不做大而全，不做平台梦，保持简单、保持克制、保持好奇。所有内容都由用户贡献、由用户维护：不会突然冒出付费墙，不会在角落塞广告位，也不会把你的数据卖给第三方。
产品会持续迭代，站内日志页记录着每一次改动，改了什么都有迹可循；想了解这个站是怎么一步步走到今天的，翻翻日志就能看到来龙去脉。
如果在这里看到涉嫌违规的内容，点对应卡片右侧的“举报”按钮就能提交，我们会尽快核实处理；也谢谢你花一点时间，一起把这里维护干净。
Jacobian Lens：打开神经网络的黑箱——Anthropic 全局工作空间可解释性工具深度解析
Jacobian Lens 是 Anthropic 推出的用于神经网络全局工作空间可解释性研究的配套代码库，通过雅可比矩阵可视化揭示模型内部表征的动态变化。
一、项目背景与痛点：为什么需要 Jacobian Lens？
随着大语言模型（LLM）在现实场景中的广泛应用，其内部工作机制仍是一个“黑箱”。传统的可解释性方法（如注意力可视化、激活最大化和探针分析）往往聚焦于局部神经元或注意力头，难以捕捉模型在处理复杂任务时全局表征的动态演化。具体痛点包括：
- 局部性局限：注意力权重只能反映输入-输出的相关性，无法揭示中间层如何逐步构建语义。
- 静态性缺陷：激活值可视化通常针对单个时间步或层，缺乏对跨层、跨时间步的信息流动追踪。
- 缺乏因果视角：多数方法只能观察到“哪里活跃”，无法回答“哪个输入特征导致了输出变化”——这正是因果可解释性的核心。
Anthropic 的研究团队在“全局工作空间”（Global Workspace）理论框架下提出：模型在处理复杂任务时，会在某些关键时间步形成全局表征，这些表征通过跨层通信实现信息整合。Jacobian Lens 正是为了量化并可视化这种全局表征的形成过程而设计的工具。
二、安装与快速上手
2.1 环境要求
- Python 3.9+
- PyTorch 2.0+
- 推荐使用 CUDA 11.8 以上版本
2.2 安装步骤
git clone https://github.com/anthropics/jacobian-lens.git
cd jacobian-lens
pip install -r requirements.txt
2.3 基本使用示例
以下代码演示如何加载一个预训练模型并计算其 Jacobian Lens：
import torch
from jacobian_lens import JacobianLens
from transformers import AutoModelForCausalLM, AutoTokenizer
# 加载模型与分词器
model_name =