Mga Papel at Pananaliksik

Pananaliksik ng Anthropic sa interpretability: Pagkilala sa mga feature na magkatulad ang causal effect

Orihinal na pamagat:Circuits Updates — May 2026

AI summary

Ipinakilala ng interpretability team ng Anthropic ang bagong progreso sa kanilang pananaliksik sa Circuits. Upang makilala ang mga feature ng modelo na magkatulad ang activation pattern ngunit magkaiba ang causal effect, nagmungkahi ang team ng bagong paraan. Sinusuri ng paraang ito ang downstream connections ng feature upang hulaan ang aktwal nitong epekto, at gumagamit ng TWERA (virtual weights) batay sa co-activation statistics upang i-rank ang mga connection. Ipinakita ng eksperimento na mas tumpak na matutukoy sa tulong ng impormasyon sa downstream connections kung aling feature ang gagabay sa partikular na output. Nagbibigay ang paraang ito ng bagong landas upang matukoy ang tunay na causal components sa loob ng modelo.

Mahahalagang impormasyon

  • Ipinakilala ng interpretability team ng Anthropic ang bagong progreso sa kanilang pananaliksik sa…
  • Upang makilala ang mga feature ng modelo na magkatulad ang activation pattern ngunit magkaiba ang…
  • Sinusuri ng paraang ito ang downstream connections ng feature upang hulaan ang aktwal nitong…
  • Ipinakita ng eksperimento na mas tumpak na matutukoy sa tulong ng impormasyon sa downstream…
  • Nagbibigay ang paraang ito ng bagong landas upang matukoy ang tunay na causal components sa loob…

Mabilisang tingin

Na-publish noong
Na-update noong
Pinagmulan
Anthropic:Transformer Circuits(可解释性研究)
Kategorya
Mga Papel at Pananaliksik
AI na marka
63
Basahin ang orihinal Basahin ang buong artikulo sa orihinal na pinagmulan
Dahilan ng rekomendasyon

做可解释性研究的同学值得读,它用下游连接区分看似相同的特征,比只看激活例子更能预测因果作用,对齐审计里能省不少试错。

Kaugnay na Entity

Pinagmulan at copyright

Ang artikulong ito ay batay sa mga piling pamagat at AI summary mula sa pampublikong API ng AIHOT, may nakasaad na pinagmulan at backlink; ang copyright ng orihinal na teksto ay pag-aari ng orihinal na media at may-akda, hindi namin ginagaya ang buong teksto.

Link ng orihinal · Entry sa AIHOT

Paano banggitin

Kapag binabanggit ang artikulong ito, panatilihin ang pamagat, petsa at permanenteng link, at banggitin ang Orange News bilang pinagmulan.

Orange News: Pananaliksik ng Anthropic sa interpretability: Pagkilala sa mga feature na magkatulad ang causal effect. 2 Hunyo 2026. https://new.nat6.net/fil/news/cmpwgl5go02q3slsnw6pl0fs5/

Tingnan lahat →