跳到主要内容
检索

# 可言语化工作区

1 篇关联报道

订阅更新
  1. arXiv

    可言语工作区只装概念不装角色:线性探针近满分,工作区读出却低于同秩随机子空间

    面向运行时对齐监控的“可言语工作区”被检验是否携带角色—填充绑定,即在“模型计划欺骗用户”与“用户计划欺骗模型”这类共享概念集、仅角色分配不同的命题上区分二者。在 Qwen3.6-27B、Gemma-3-12B 与 Gemma-3-27B-IT 三个模型、J-lens 与 R-lens 两种透镜、两种角色方向估计下,残差流可近满分解码角色,而工作区切片低于同秩随机子空间;沿拟合角色方向推动只改变模型对角色说了什么,不改变它把哪个实体绑定为施事。消融工作区仅在 Gemma-3-27B-IT 的实体词位置造成绑定特异性损伤,并在三种透镜变体上复现。

已读完全部报道