实体 deception

deception

PulseAugur coverage of deception — every cluster mentioning deception across labs, papers, and developer communities, ranked by signal.

总计 · 30天

1

90 天内 1

发布 · 30天

0

90 天内 0

论文 · 30天

1

90 天内 1

层级分布 · 90 天

主题

情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 1 条

RESEARCH · CL_147762 · Jul 16 · 10:10

转码器用于检测Qwen3-4B语言模型的欺骗行为

研究人员开发了一种使用转码器分析语言模型欺骗行为的新方法，特别关注Qwen3-4B模型。这种被称为机制可解释性（MI）的方法构建了归因图，以映射特征激活和依赖关系，揭示欺骗行为如何从模型内部机制中产生。该研究确定了与欺骗相关的特征，这些特征显著影响模型输出，表明转码器可以帮助监控和检测AI系统的安全漏洞。