#机制可解释性
共 4 条 · 7 天 2 条 · 30 天 2 条
信息流里打上「机制可解释性」标签的资讯、产品与论文，按刊登时间排，新的在上。
10月16日
Goodfire 首席科学家称 AI 可将十年可解释性研究压缩至一年
Goodfire 的首席科学家在播客里说 AI 可能把可解释性研究加速十倍，他还讲了怎么让 tokens 产出连贯研究，做安全方向的朋友可以听听。
7月14日
论文12:14
Mechanistic Interpretability Account of LLM-as-Judge Bias这篇论文用几何视角解释LLM评判偏见，发现偏见隐藏状态的低维子空间，还能预测模型在未知基准上的失败，挺有意思。
6月16日
论文11:11
CircuitLasso：可扩展的电路学习方法用于解释大语言模型这篇论文提出了CircuitLasso，能以更低成本达到和现有方法一样好的电路学习效果，还能揭示可解释的语义特征如何传播。