Goodfire 发布参数分解方法 VPD,拆解语言模型为忠实子组件

Goodfire 联合 MATS 等机构的研究者发布论文《Interpreting Language Model Parameters》,提出 adVersarial Parameter Decomposition(VPD) 方法,试图回答机制可解释性的核心问题:能否把语言模型参数拆解为忠实反映模型行为的子组件。作者 Sauers 在发布 virtual structures 相关内容时链接了这项研究,并配以可解释性观察加以说明。目前该工作以论文形式发布,尚无独立复现或验证结果。

已确认

为什么重要

2026-10-02 ~ 2026-10-02 · 6 条相关

一手来源

另有 1 条近重复转述:Sauers_