实体 Reference Feature Atlases

Reference Feature Atlases

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

Show in brief

总计 · 30天

90 天内 1

发布 · 30天

90 天内 0

论文 · 30天

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_167162 · Jul 28 · 04:00

新方法为语言模型审计提供稳定的坐标系

研究人员推出了一种名为参考特征图谱（Reference Feature Atlases）的语言模型审计新方法。该方法涉及在一个参考模型组上训练一个稀疏特征库，然后通过仅拟合一个线性解码器来重用该库来解释新的目标模型的内部特征。该技术提供两种不同的视角：一种将目标模型映射到参考组的已解释特征上，提供一个稳定的坐标系；另一种则识别图谱无法重建的特征，指示参考组之外的方面。在 Mistral 和 Qwen-2.5 模型上的实验表明，残差通道…

新方法为语言模型审计提供稳定的坐标系