研究人员开发了“Circuit Oracle”系统,旨在自动化机械可解释性中归因图的分析。该系统使用多代理工具和自然语言查询来解释这些图,这些图映射了语言模型中特征之间的因果边。虽然Circuit Oracle在检测虚假特征方面显示出潜力,准确率达到78.2%,但在提取禁忌微调模型的隐藏知识和进行抑制越狱方面不如现有方法有效。 AI
影响 该工具可以通过自动化分析复杂的模型行为来加速安全研究,尽管目前在某些任务上的表现表明还需要进一步开发。
排序理由 该条目描述了一篇关于机械可解释性中归因图分析新颖系统的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
- Activation Oracles
- alphaXiv
- arXiv
- Circuit Oracle
- DagsHub
- Gotit.pub
- Hugging Face
- Influence Flower
- mechanistic interpretability
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →