实体 Hadas Orgad

Hadas Orgad

PulseAugur coverage of Hadas Orgad — every cluster mentioning Hadas Orgad 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

TOOL · CL_129066 · Jul 7 · 04:00

新研究揭示了大型语言模型中危害性的独特内部结构

研究人员在大型语言模型（LLMs）中发现了一组独特且紧凑的权重，负责生成有害内容。这种危害性的内部结构在不同类型的危害之间共享，并且与模型识别或解释此类内容的能力是分开的。对齐训练似乎会压缩这些危害性权重，这解释了为什么在一个领域进行微调会导致广泛的涌现式不对齐，而通过修剪这些特定权重可以缓解这种现象。