COLM 2026 可解释性亮点:推理如何解锁模型参数化知识
megamor2 · x · 2026-10-05
作者整理了自己团队与合作者在 COLM 2026 的多篇可解释性论文,供参会者参考:
- Thinking to Recall: How Reasoning Unlocks Parametric Knowledge in LLMs——研究推理过程如何解锁 LLM 的参数化知识,10 月 6 日 Poster Session 1。
- Disentangling MLP Neuron Weights in Vocabulary Space——在词表空间中解耦 MLP 神经元权重,10 月 7 日 Poster Session 4。
- Beyond the Rosetta Stone: Unification Forces in Generalization Dynamics——入选 Spotlight,将进行口头报告。
作者还推荐关注第二届 Actionable Interpretability Workshop 的讲者与圆桌阵容。
「研究」频道最新
- Kyutai 用何恺明团队 Drifting 方法训练 100M 端侧 TTS,WER 低于 1% — serrjoa · 2026-10-06
- 谷歌SHIFT按查询自动构建多智能体系统,准确率领先最强基线7.2点 — google · 2026-10-06
- 新研究诊断LLM数学短板:发现能力是最大瓶颈,可定向修复 — TexasAMUniversity · 2026-10-06
- RealtimeWAM:一步生成+异步推理,机器人动作模型提速25倍 — NanyangTechnologicalUniversity · 2026-10-06
- OmniConfess免训练缓解全模态幻觉,附3,540例新基准 — Huiqiang Rong · 2026-10-06
- ADSD框架让AI自诊数值求解器,误差降低近71倍 — Peter Chen · 2026-10-06