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
- 物理学家让 AI 自选课题：两小时产出可登顶刊的论文 — burny_tech · 2026-10-27
- 研究者谈评测集透明度:组合性评测仍存数据污染隐患 — najoungkim · 2026-10-27
- 可解释性研究该分清形式与估计器：均值差转向不如直接梯度下降 — johnhewtt · 2026-10-27
- EMNLP 论文：让 LLM 换个问法，「42」变「3」但蝴蝶仍是帝王蝶 — radamihalcea · 2026-10-27
- Datology Curation Studio 线上深潜：少于 20% 算力匹配最强基线 — josh_wills · 2026-10-27
- KANLab 开源：浏览器里可视化玩转 KAN 网络 — Lukas Niehaus · 2026-10-27