Transluce、解釈可能性アシスタントでモデル内部状態を読み取るPredictive Concept Decodersを公開
原題:Predictive Concept Decoders
AI 要約
TransluceはPredictive Concept Decoders(PCD)を提案した。解釈可能性アシスタントをトレーニングし、モデルの内部状態を人間が読める概念リストに変換し、それに基づいてモデル行動に関する質問に回答する。PCDはエンコーダとデコーダで構成され、ジェイルブレイク、秘密プロンプト、概念注入の3種類のシナリオでモデル自身が報告しない情報を明らかにし、性能はトレーニングデータの拡大に伴い向上する。論文はarXiv 2512.15712、decoder.transluce.orgで体験可能。
要点
- TransluceはPredictive Concept Decoders(PCD)を提案した。
- 解釈可能性アシスタントをトレーニングし、モデルの内部状態を人間が読める概念リストに変換し、それに基づいてモデル行動に関する質問に回答する。
- PCDはエンコーダとデコーダで構成され、ジェイルブレイク、秘密プロンプト、概念注入の3種類のシナリオでモデル自身が報告しない情報を明らかにし、性能はトレーニングデータの拡大に伴い向上する。
- 論文はarXiv 2512.
- 15712、decoder.
概要
- 公開日時
- 更新日時
- カテゴリ
- 論文・研究
- AI スコア
- 60
おすすめの理由
把可解释性建模为预测问题来端到端训练,并展示能揭示模型未言明信息的实验场景,方法思路可借鉴。
出典と著作権
本記事は AIHOT の公開 API が提供する厳選タイトルと AI 要約に基づいており、出典の明記と元記事へのリンクを行っています。原文の著作権は元の媒体と著者に帰属し、当サイトは全文を転載しません。
引用方法
本記事を引用する際は、タイトル・日付・パーマリンクを保持し、出典をOrange Newsと明記してください。
Orange News:Transluce、解釈可能性アシスタントでモデル内部状態を読み取るPredictive Concept Decodersを公開。2025年12月18日。https://new.nat6.net/ja/news/cmtym4910000erokscfvgip08/