J-Wash

可视化模型内部机制，手动微调对齐行为并导出结果

J-Wash 是一个基于 Anthropic Jacobian Lens 技术构建的大语言模型手动对齐工具。它通过分析模型内部激活值的雅可比矩阵，帮助开发者直观理解模型对输入变化的敏感度，从而定位模型行为中的潜在偏差或错误模式。用户可以通过交互式界面手动调整模型行为，实现精细化的对齐控制，并将调整结果导出为可复用的配置或数据。该工具解决了传统对齐方法依赖黑盒测试、难以精确干预模型内部机制的问题，为模型安全性和可控性提供了新的技术路径。核心能力包括雅可比矩阵可视化、手动干预接口、结果导出功能，适用于研究、审计和模型微调等场景。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 228

维护状态较活跃

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队Extraltodeus

所属国家

官网地址

GitHubhttps://github.com/Extraltodeus/J-Wash

定价模式free

价格说明开源项目，Apache-2.0 许可证，可免费使用和部署。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型abliteration,ai,anthropic,artificial-intelligence,huggingface,interpretability,j-wash,jacobian-lens,large-language-models,llm,mechanistic-interpretability,model-editing,neural-networks,pytorch,research,steering,transformers,visualization

GitHub 星标★ 228

30天Star增速

HF 下载量

上线时间2026-07-13 00:00:00

最近更新2026-09-23 00:00:00

维护状态较活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数5

使用教程

核心亮点

基于前沿的 Jacobian Lens 技术，提供模型内部激活值的深度可解释性
支持手动干预模型行为，实现比纯自动对齐更精细的控制
结果可导出，便于集成到现有工作流或用于审计记录

不足之处

依赖 Anthropic 特定技术，可能对非 Claude 模型兼容性有限
早期项目，文档和社区支持尚不完善

适用场景

研究模型内部机制与安全对齐的学术场景
企业审计模型行为并记录对齐过程的合规场景
开发者调试模型输出偏差的日常开发场景

替代项目

TransformerLens、Elicit、LIMA

项目介绍

J-Wash 是模型训练领域的开源项目，由 Extraltodeus 开发，是 2026 年新上线的项目。

它收录于模型训练分类，该分类目前共有 522 个项目，GitHub 星标数为 228。

项目保持着较活跃的维护节奏，最近一次代码更新于 2026-09-23。Apache-2.0 许可证，可免费使用和部署。

它主要面向的使用场景是：研究模型内部机制与安全对齐的学术场景。同类可对比的替代方案包括 TransformerLens、Elicit、LIMA。

上一篇：Awesome-Credit-Assignment-in-LLM-RL

下一篇：MindPipe