arXiv cs.AI· Nanxiang Jiang, Yang Liu, Yuanhao Wang, Min Xu·· 13 小时前AI 评分34
LoCo：在视觉自回归模型中定位概念
Localizing Concepts in Visual Autoregressive Models
AI 导读
研究者提出 LoCo，首个模型无关的框架，可在视觉自回归模型中定位特定概念出现的位置与时机，并沿 Layer、Scale、Position 三个维度映射概念知识。
正文 · AI 翻译
摘要：理解视觉概念的内部路由对于生成模型的安全、可控适配至关重要。虽然概念定位在扩散模型中已被广泛研究，但新兴的下一尺度视觉自回归模型范式在很大程度上仍未被探索。在本文中，我们提出了 LoCo，这是首个与模型无关的框架，用于定位特定概念在自回归模型中出现的位置和时机。得益于下一尺度生成固有的由粗到细特性，我们的方法能够精确地在三个不同维度上映射概念知识：层、尺度和位置。为了在无上下文偏差的情况下系统地定位和评估概念路由，我们提出了 LoCoBench，这是一个涵盖 10 个不同类别的综合数据集。对 Infinity、HunyuanImage-3.0 和 InfinityStar 等图像与视频自回归模型进行的广泛探测表明，定位到的位置既具有可解释性，又与概念涌现存在因果关系。基于这些发现，我们将定位方法应用于三个关键场景：概念擦除、模型个性化和对抗性概念注入。实验表明，我们的定向干预达到了最先进的性能，在保持良性效用的同时大幅降低了计算开销。总体而言，我们的发现揭示了概念知识在自回归生成过程中是如何被路由的，为更可解释、更高效、更安全的适配提供了一条实用路径。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.40061 [cs.CV] |
| （或 arXiv:2610.40061v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.40061 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Jiang Nanxiang [查看邮箱]
[v1]
2026年10月29日 星期四 13:49:01 UTC（3,568 KB）
来源：arXiv cs.AI · arxiv.org