研究人员探索了使用自然语言自编码器(NLAs)将大型语言模型的内部表征转化为人类可读的文本。该研究调查了这些NLAs在不同场景下的泛化能力,包括微调模型和模型差异分析任务。跨多个模型的实验表明,NLAs可以展现出组合结构,在无需重新训练的情况下泛化到轻量级微调,并恢复微调目标。虽然NLAs在阐述激活差异方面展现出潜力,但它们目前在涌现式错位检测方面并未超越最先进的方法,但优于黑盒基线。 AI
影响 NLAs通过将大型语言模型的内部工作机制转化为人类可读的文本,为更好地理解和调试大型语言模型提供了一条有前途的途径。
排序理由 该集群包含一篇学术论文,详细介绍了关于使用自然语言自编码器解释大型语言模型内部表征的研究。
- alphaXiv
- Andrea Blasi Núñez
- arXiv
- CatalyzeX
- DagsHub
- Gotit.pub
- Hugging Face
- large-language models
- Natural Language Autoencoders
- ScienceCast
- taboo
- Verbalizing Activation Differences
AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →