论文：使用新方法追踪语言模型特征演化，提升模型解释性与控制能力
talkingdev • 2025-02-10
102563 views
近日，一项研究提出了一种创新方法，通过无数据余弦相似度技术追踪稀疏自编码器在大型语言模型（LLM）连续层中发现的特征演化过程。该方法能够映射特征的持久性、转换和涌现，生成跨层特征图。研究表明，这些特征图不仅能够通过特征操作直接控制模型的行为，还能通过细粒度的流图提供对模型计算机制的深入洞察。这一方法为语言模型的解释性和可控性提供了新的工具，有望在模型优化和应用中发挥重要作用。