是谁的影响?目标如何增强习得的子空间干预
原文:Whose Effect Is It? How Objectives Inflate Learned Subspace Interventions
可解释性通常通过将语言模型状态的一部分从一个输入复制到另一个输入(激活修补)来定位概念。较大的输出变化可以视为该部分包含该概念的更有力证据。学习要复制哪一部分的方法通常比整个状态对输出的改变更大。通过阅读,学到的部分可以更清晰地分离出概念。然而整个conta
正在把原文抓到本机服务器…首次约 3~8 秒,抓好后本站永久缓存,下次秒开。
抓不到时可直接看原文(部分站点需要登录/反爬,服务器也无法抓取)。
正文由本站服务器抓取保存(已自动过滤广告、推荐位与追踪图片),排版与原站可能不同;版权归原站所有。