循环 Transformer 内部状态可读出人类偏好
热点事件持续更新
循环 Transformer 内部状态可读出人类偏好
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Jan Kirin 发布第三版论文,重写分析并修正探针截断问题,替换了原稿和第二版勘误。研究在每 token 运行四遍层的 Ouro-2.6B-Thinking 上,用 Anthropic HH-RLHF 数据从隐藏状态判断人类更偏好哪条回复:线性探针准确率 61.5%,分别打分的非线性小网络 64.9%,v1 评估器在测试集达 64.7%。
AI 根据报道生成 · 53 分钟前更新
最新进展11月20日 13:00
从循环 Transformer 内部状态读取人类偏好报道时间线
沿着报道,了解事件的不同侧面。
11月20日
- arXiv cs.AI从循环 Transformer 内部状态读取人类偏好
在每 token 运行四遍层的 Ouro-2.6B-Thinking 上,用 Anthropic HH-RLHF 数据可从隐藏状态判断人类更偏好哪条回复:线性探针准确率 61.5%,分别打分的非线性小网络 64.9%,v1 评估器在测试集达 64.7%。
本事件热度走势
还没有足够的连续观测数据,暂不绘制趋势。