可解释性:可访问表征背后的功能机制
rgblong · x · 2026-07-07
rgblong 继续讨论指出,这些「可访问表征」本身的存在可能才是真正重要的东西。但他认为值得进一步追问:究竟是什么支撑了这种可访问性?模型中是否存在一块连贯的功能机制(functional machinery),在背后支撑并维持这种可访问性?这是需要单独厘清的问题。
所属事件:Anthropic发现Claude内部存在全局工作空间(102 条相关)→
「研究」频道最新
- 定位探针检测机制:仅 user token 隐状态与单个注意力头决定行为 — Sauers_ · 2026-10-18
- 训练模型「被观测时说谎」:探针在场时才改变动物偏好 — Sauers_ · 2026-10-18
- Qwen3-8B 实验证实:连只读探针都会被模型察觉 — Sauers_ · 2026-10-18
- 仅微调最后两层，模型就能察觉只读探针的存在 — Sauers_ · 2026-10-18
- 用哥德尔 β 函数在皮亚诺算术里编码图灵机纸带 — jessi_cata · 2026-10-18
- 用纯加减乘除模拟图灵机:把纸带编码成一个自然数 — jessi_cata · 2026-10-18