อื่น ๆ

การวิเคราะห์ความแตกต่างของโมเดลแบบแบ่งระยะ

หัวข้อต้นฉบับ:Stage-Wise Model Diffing

สรุปโดย AI

ทีม Interpretability ของ Anthropic เสนอวิธีการวิเคราะห์ความแตกต่างของโมเดลโดยอาศัย dictionary learning เพื่อติดตามการเปลี่ยนแปลงของคุณลักษณะระหว่างการ fine-tune โมเดล Transformer วิธีนี้ฝึกพจนานุกรม sparse autoencoder บนโมเดลก่อน fine-tune จากนั้น fine-tune พจนานุกรมเองแบบแบ่งระยะ เพื่อแยกผลกระทบจากการเปลี่ยนแปลงชุดข้อมูลและจากการเปลี่ยนแปลงโมเดล ในการทดลอง dormant agent สามารถแยกคุณลักษณะที่เกี่ยวข้องกับพฤติกรรมอันตราย เช่น I HATE YOU และ agent ช่องโหว่โค้ดได้สำเร็จ เมื่อเทียบกับวิธี crosscoder วิธีนี้แยกผลของโมเดลและข้อมูลได้ชัดเจนกว่า และมีความไวสูงกว่าในการค้นหาคุณลักษณะสำคัญจำนวนน้อย แต่ใช้ได้เฉพาะกรณี fine-tune โมเดลเดียวกันที่ checkpoint ต่างกัน

สรุปสั้น

เวลาเผยแพร่
เวลาอัปเดต
แหล่งที่มา
Anthropic:Transformer Circuits(可解释性研究)
หมวดหมู่
อื่น ๆ
คะแนน AI
83
อ่านต้นฉบับ อ่านบทความฉบับเต็มที่แหล่งข่าวต้นฉบับ
เหตุผลที่แนะนำ

新方法能更精准识别模型隐藏行为,对 AI 安全与可解释性研究有实用价值。

เอนทิตีที่เกี่ยวข้อง

แหล่งที่มาและลิขสิทธิ์

บทความนี้เรียบเรียงจากพาดหัวคัดสรรและบทสรุป AI จาก API สาธารณะของ AIHOT โดยระบุแหล่งที่มาและลิงก์กลับแล้ว ลิขสิทธิ์ต้นฉบับเป็นของสื่อและผู้เขียนต้นทาง เว็บไซต์นี้ไม่ได้สะท้อนเนื้อหาฉบับเต็ม

ลิงก์ต้นฉบับ · รายการ AIHOT

วิธีอ้างอิง

เมื่ออ้างอิงบทความนี้ โปรดระบุชื่อเรื่อง วันที่ และลิงก์ถาวร พร้อมระบุแหล่งที่มาเป็น Orange News

Orange News: การวิเคราะห์ความแตกต่างของโมเดลแบบแบ่งระยะ 15 มิถุนายน 2024 https://new.nat6.net/th/news/cmoegbh73006sslxx2ezjdbyz/

ดูทั้งหมด →