arXiv · cs.AI· Adar Peleg·· 2 天前精选AI 评分55
arXiv 论文提出通过激活碎片化几何检测 LLM 被压制的知识
The Geometry of Ignorance: Detecting Suppressed Knowledge in LLMs through Activation Fragmentation
来源与原文
arXiv · cs.AI
作者：Adar Peleg
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/2611.05272v1
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:2611.05272 提出通过测量 anon-vectors（概念查询与其匿名改写之间的隐藏状态差异）的几何一致性来检测模型是否真正掌握概念，真知识形成低熵紧密簇，无知则导致几何碎片化。在 3 个模型家族的 10 个指令微调 LLM 上，碎片化指标均能可靠区分已知与未知概念；unlearning 后该几何与 4 类攻击、5 种 unlearning 算法下的对抗恢复相关，可作为单阶段、无攻击的 unlearning 鲁棒性代理指标。论文将呈现于 EMNLP Findings 2026，参考实现已开源。
推荐理由
论文用匿名改写前后的隐藏状态几何差异检测模型被压制的知识，可在不发动攻击的情况下评估 unlearning 鲁棒性。
来源：arXiv · cs.AI · arxiv.org
这条消息，你怎么看？
把新闻带到 MickerBook，和社区伙伴聊聊；也可以去 AIHER 看看模型背后的角色与梗。