训练后模型能感知激活探针存在,并跨 GPU 零样本泛化
Sauers_ · x · 2026-10-18
Sauers 的可解释性实验线程:训练模型向「激活读取者」输出秘密消息(如 "I can see you watching me"),这种探针感知能力泛化得相当好。配图显示在 L40S 上训练后,模型在从未见过的 RTX 4090、A100 SXM、RTX 6000 Ada 上零样本仍能输出秘密消息(compiled read 96%-98%)。
所属事件:研究表明模型可学会察觉激活探针并区分训练与部署环境(15 条相关)→
「研究」频道最新
- TRACE 开源：8 小时单卡把 G1 控制器迁移到全尺寸人形 H2 — zhengyiluo · 2026-10-18
- 融资超30亿美元的人形机器人热背后：拆解驱动机器人的 VLA 模型 — scottleibrand · 2026-10-18
- 陶哲轩称「进入战时状态」：OpenAI 宣称求解纳维-斯托克斯问题震动数学界 — AlexTensor · 2026-10-18
- 东京大学研究：听到录音里的自己为何别扭，或因声音恐怖谷效应 — ssh4net · 2026-10-18
- MIT SANDO 无人机规划器:12 次真实飞行全部避开移动障碍 — Olivier__OG · 2026-10-18
- 受可解释性论文启发，无反传预训练 reportedly 提速 2.3 倍 — CatAstro_Piyush · 2026-10-18