SAE特征可语言化随层数增强
Sauers_ · x · 2026-07-14
这条转推讨论了 jlens 如何用于描述 SAE 特征，并指出它大体上是在把“运动神经元”之类的高相关特征用语言说出来。
作者通过比较 jlens 生成的特征描述 与 Neuronpedia 提供的标签 的一致性，观察到这种“可语言化”的能力会随着层数增加而提升；在 Qwen3-4b 中，大约在 第 22 层附近出现明显变化。原推还提到，在原始 Jacobian 结果里也能看到类似趋势：后面的 Jacobian 增益更高。
「研究」频道最新
- Kolab 基准：真人屏幕录像揭示 AI Agent 高估自身协作质量 — minnesotanlp · 2026-10-27
- 一个样本就能刷过公平性基准，EMNLP 论文质疑 BBQ 可信度 — radamihalcea · 2026-10-27
- 一段手机视频生成2000条机器人演示,Real2Sem2Real媲美150条遥操数据 — Scobleizer · 2026-10-27
- 从权重范数几何理解MuonH:尺度不变网络中梯度垂直于权重 — jasondeanlee · 2026-10-27
- 用 Sail 等价性证明与 riscv-coq 交叉验证 RISC-V 规范,发现真实 bug — xennygrimmato_ · 2026-10-27
- Kokotajlo 质疑 CoT 监控性评测:如果模型不拒绝篡改思维链呢 — dfrsrchtwts · 2026-10-27