会员服务
Correcting Autonomous Driving Object Detection Misclassifications with Automated Commonsense Reasoning
Arxiv
0+阅读 · 1月7日
Mechanistic Knobs in LLMs: Retrieving and Steering High-Order Semantic Features via Sparse Autoencoders
Arxiv
0+阅读 · 1月6日
When the Coffee Feature Activates on Coffins: An Analysis of Feature Extraction and Steering for Mechanistic Interpretability
Arxiv
0+阅读 · 1月6日
Interpretable Safety Alignment via SAE-Constructed Low-Rank Subspace Adaptation
Arxiv
0+阅读 · 1月5日
Attribution-Guided Distillation of Matryoshka Sparse Autoencoders
Arxiv
0+阅读 · 2025年12月31日
Fantastic Reasoning Behaviors and Where to Find Them: Unsupervised Discovery of the Reasoning Process
Arxiv
0+阅读 · 2025年12月30日
Interpretable Safety Alignment via SAE-Constructed Low-Rank Subspace Adaptation
Arxiv
0+阅读 · 2025年12月29日
Learning from Negative Examples: Why Warning-Framed Training Data Teaches What It Warns Against
Arxiv
0+阅读 · 2025年12月25日
Secret mixtures of experts inside your LLM
Arxiv
0+阅读 · 2025年12月20日
Kronecker Factorization Improves Efficiency and Interpretability of Sparse Autoencoders
Arxiv
0+阅读 · 2025年12月22日
Train Sparse Autoencoders Efficiently by Utilizing Features Correlation
Arxiv
0+阅读 · 2025年12月18日
SAEs Are Good for Steering -- If You Select the Right Features
Arxiv
0+阅读 · 2025年12月22日
LouvreSAE: Sparse Autoencoders for Interpretable and Controllable Style Transfer
Arxiv
0+阅读 · 2025年12月22日
Tree-OPO: Off-policy Monte Carlo Tree-Guided Advantage Optimization for Multistep Reasoning
Arxiv
0+阅读 · 2025年12月21日
Calibrating hierarchical Bayesian domain inference for a proportion
Arxiv
0+阅读 · 2025年12月20日
参考链接
微信扫码咨询专知VIP会员
Top