研究人员探索了自然语言自编码器 (NLA) 以了解它们与模型预测的关系，发现提取的位置显著影响 NLA 是否包含最终答案。随着 token 接近模型的最终答案，NLA 包含正确输出的可能性越大。仅当激活导致模型响应不正确时，才观察到退化或损坏的 NLA 输出，这表明训练奖励会鼓励模型将正确答案纳入 NLA。 AI
影响 为理解中间模型表示与最终输出之间的关系提供了见解，可能有助于可解释性研究。
排序理由 该集群详细介绍了对 NLA 行为进行分析的研究论文的发现。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
