探讨现代LLM的Deep Dream与SAE特征最大化
torchcompiled · x · 2026-07-20
回复 @matthen2 关于现代大模型 Deep Dream 效果的讨论。原帖展示了通过优化图像来最大化目标标题的概率，发现没有视觉编码器的 Gemma 12B 会像处理 token 嵌入一样读取像素，并在画布上印出可识别的物体；而带有视觉编码器的 E4B 则会偏向纹理漂移。
回复者指出，利用稀疏自编码器（SAE）识别出的个体特征进行最大化优化，可能会产生更有趣的结果。
所属事件:现代大模型复现Deep Dream可视化实验(2 条相关)→
「研究」频道最新
- 新论文提出 PoLar：动态跳过或循环 LLM 层级以优化推理 — ttkciar · 2026-07-22
- 斯坦福团队推出全球最快分词器 Gigatoken — StanfordAILab · 2026-07-22
- Tabul AI 推出 Metal TreeSHAP，加速 Apple silicon 上的 Shapley 计算 — Scobleizer · 2026-07-22
- ICML 教程探讨：优化理论在 2026 年的相关性 — srush_nlp · 2026-07-22
- Reddit 转发 OpenAI 的 ChatGPT 广告页面 — EcstaticAsparagus509 · 2026-07-22
- 开源 runtime 让每个仓库自定义 AI 代码审查器 — ibabufrik · 2026-07-22