Mechanistic Tomography 框架统一了 AI 模型可解释性方法

研究人员引入了“Mechanistic Tomography”，一个用于 AI 模型可解释性的框架。该方法将打补丁和 Hessian-向量积等各种测量技术统一在一个共享的数学结构下，从而能够更系统地恢复模型的内部机制和干预效果。该框架提出了一种应用这些测量的实用程序，从更简单的方法开始，并根据残差误差按需扩展。它在面向控制的可解释性任务中显示了有效性，展示了测量精度如何直接影响像双 HMM 系统这样的模型的控制误差，并识别了 GPT-2 small 和 Qwen 2.5 7B 等大型语言模型中的关键交互。 AI

影响 引入了一个统一的框架来理解 AI 模型的内部机制，有可能提高控制和可解释性。

排序理由 该集群描述了一篇介绍新颖 AI 模型可解释性框架的新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• GPT-2 small
• Hessian-vector products
• Mechanistic Tomography
• Name Mover-Negative Name Mover
• Patching
• Qwen 2.5 7B
• Subset interventions
• Tracr
• two-HMM model

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →