可解释性讨论:无需复杂工具,线性探针即可测模型隐含人设
cephaloform · x · 2026-11-19
cephaloform 在讨论中提出:识别基座模型补全文本时扮演的人设(如作者的职业、族裔、是否虚构类写作)是个有趣的实验,不需要复杂的可解释性方法,用简单的线性探针(linear probes)即可,并希望看到完整的 decomposition 研究。
所属事件:研究者提议用线性探针识别基座模型扮演的人格(3 条相关)→
「研究」频道最新
- LEV 循环决策模型:2.6B 模型四轮推理准确率 63.2%→76.2% — jiqizhixin · 2026-11-19
- 单卡 36 小时、100B tokens 从零预训练 400M 稀疏 MoE 模型 — Tall_Abrocoma_3533 · 2026-11-19
- 研究者质疑 METR/Anthropic「2 倍加速」RSI 论证统计上站不住 — jessi_cata · 2026-11-19
- 用线性探针识别基座模型补全文本时扮演的人格,尚无人尝试 — cephaloform · 2026-11-19
- ETH 机器人 Anymal 阿尔卑斯山完成 10 公里全自主徒步 — ChongZzZhang · 2026-11-19
- OpenVax 代码量 15 个月从 7.8 万行涨到 56.5 万行 — iskander · 2026-11-19