English(EN) Knowledge Localization in Mixture-of-Experts LLMs Using Cross-Lingual Inconsistency

新方法利用跨语言差距来解释MoE LLM

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-09 05:00

研究人员开发了一个新颖的框架，通过利用跨语言不一致性来解释混合专家（MoE）大型语言模型（LLM）。该方法通过对比模型在成功和失败的语言中特定组件（或“专家”）的激活情况，来识别对于回忆特定语言的事实信息至关重要的模型组件或“专家”。该过程包括用多种语言的困难事实问题查询LLM，以创建“成功”和“失败”的激活桶，然后对MoE路由器logit进行统计分析以确定关键专家。实验表明，禁用这些已识别出的少量专家会严重损害模型回答问题的能力，证明了这种知识本地化方法在理解复杂LLM方面的有效性。 AI

影响提供了一种理解复杂MoE LLM内部工作原理的新技术，可能有助于调试和改进模型行为。

排序理由该集群包含一篇详细介绍LLM可解释性新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

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

本文如何被排名

Signal score: 15 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍LLM可解释性新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Lucas Bandarkar, Alan Ansell, Trevor Cohn · 2026-11-09 05:00

利用跨语言不一致性实现混合专家LLM中的知识本地化

arXiv:2603.17102v2 Announce Type: replace Abstract: Modern LLMs continue to exhibit significant variance in behavior across languages, such as being able to recall factual information in some languages but not others. While typically studied as a problem to be mitigated, in this …

本文如何被排名

报道来源 [1]

利用跨语言不一致性实现混合专家LLM中的知识本地化

相关实体

相关话题