LLM 可解释性论文精读 内容归档

共 9 篇 · 第 1 / 1 页

1. 这篇新论文把 LLM 评委偏见压进了一个可干预的隐藏状态方向2026-07-14
2. Claude 的 J-space：一小块可说出口的表示如何承载内部推理2026-07-15
3. 密集 FFN 里，真正驱动神经元的可能只有一小撮上游路径2026-07-16
4. 多语言越狱不是一种失败：Minionese 如何拆出三条安全断路2026-07-17
5. ENTD 揭示 LLM 训练的长尾：高频高熵前缀仍难以拟合2026-07-18
6. Llama-3.1-70B 的倒计时子电路如何跨任务复用2026-07-19
7. 从特征读出到行为干预：Qwen3-4B 的保密行为研究2026-07-20
8. 把单个权重变成可验证的解释对象：稀疏 Transformer 的逐参数实验2026-07-21
9. 对齐伪装的隐藏状态探测：拒答残留、数据泄漏与因果空结果2026-07-22

在发现页探索更多频道