arXiv · cs.CL· Swadesh Swain·· 22 天前精选AI 评分59
arXiv 论文提出 CAP 指标发现被抑制的 LLM 安全特征
Don't Judge an LLM Only by Its Activations: Discovering Suppressed Safety Features via Counterfactual Activation Potential
来源与原文
arXiv · cs.CL
作者：Swadesh Swain
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.05541v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
arXiv 论文（arXiv:2610.05541）提出反事实激活势 CAP，量化被抑制安全特征的潜在激活倾向，并给出两阶段筛选算法 CSFD，从数十万 transcoder 特征中定位候选安全特征。
推荐理由
论文提出量化被抑制安全特征的 CAP 指标和两阶段筛选算法，实验覆盖 Gemma、Qwen、Llama 五个模型，可作机制可解释性方法的补充。
来源：arXiv · cs.CL · arxiv.org