一篇新论文介绍了一种比较XAI（XAIΔ）的框架，旨在解释大语言模型在经过微调或扩展等干预后的行为转变。目前的方法不足，因为它们将模型视为静态的，或者仅仅比较解释而没有详细说明过渡过程。这种方法旨在为模型修改提供一个原则性的因果链记录方式，这对于监管合规至关重要。 AI
影响 为解释大语言模型变化建立了新标准，这对于监管合规和模型审计至关重要。
排序理由 该集群包含一篇学术论文，提出了一种用于解释大语言模型行为转变的新研究框架。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2602.02304v2 Announce Type: replace Abstract: Large-scale foundation models exhibit \emph{behavioral shifts} when subjected to interventions such as scaling, fine-tuning, reinforcement learning with human feedback, or in-context learning. Current explainability methods are …
Backdoor attacks on language models pose a growing security concern, yet the internal mechanisms by which a trigger sequence hijacks model computations remain poorly understood. We identify a circuit underlying a language-switching backdoor in an 8B-parameter autoregressive langu…