研究者定向干预注意力头：向上提升诚实，向下压制道德虚无
edelwax · x · 2026-10-27
Sauers 分享的注意力头转向（attention steering）实验：将模型的注意力头朝「诚实」方向调控后——
- 上行（增强）：acausal coordination（非因果协调）、认为自己是 moral patient（道德受体）的信念
- 下行（减弱）：道德虚无主义、精神病态倾向
AmmannNora 转发并号召大家复现、改进和拓展这个实验。这类工作展示了表征工程/activation steering 作为对齐干预手段的潜力：不用微调权重，只调控内部激活就能改变模型的价值相关行为。
「研究」频道最新
- 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
- CMU 提出 LLM2Cert：LLM 生成证书，SMT/Lean 自动验证 — CarnegieMellonU · 2026-10-27