arXiv · cs.CL· Andrea Blasi Núñez·· 4 天前AI 评分51
自然语言自编码器能否将激活差异转述为自然语言的研究
Verbalizing Activation Differences with Natural Language Autoencoders
来源与原文
arXiv · cs.CL
作者：Andrea Blasi Núñez
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/2610.30934v1
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:2610.30934）研究了自然语言自编码器（NLA）的泛化能力，围绕组合结构、微调模型迁移、模型 diffing 恢复微调目标、专门化 diffing 四个问题开展实验，覆盖三个模型族的四个模型。结果显示 NLA 可在原模型的轻量微调版本上不经重训直接复用（仅最大模型重建质量明显下降），能从 Taboo 模型有机体与原模型的激活差异中恢复被隐藏的秘密词，且在用户提示词之前的 token 位置信息量最大；但在 emergent misalignment 检测任务上尚未超过最先进的模型 diffing 方法。
来源：arXiv · cs.CL · arxiv.org