跳到正文
热点事件持续更新

Transformer偏好识别论文v3修正探针截断

1 篇报道1 个报道来源13 小时前更新

先了解这件事

AI 综述

Jan Kirin 发布 arXiv 论文《Reading Human Preference from Looped Transformer Internal States》v3 版。该版本取代初稿及 v2 勘误,重写分析内容。主要修正了可能导致移除待比较回复的探针截断问题。v3 版在两种回复顺序下测试原始评估器,并比较线性与非线性探针在配对独立分割上的独立或联合评分效果。

AI 根据报道生成 · 11 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月19日
  1. arXiv · ML
    通过循环 Transformer 内部状态解读人类偏好

    Ouro-2.6B-Thinking 模型的隐藏状态探测可识别人类偏好,线性探针准确率为 61.5%。 在 Anthropic 的 HH-RLHF 数据上,非线性网络达到 64.9%,略优于选择更长回复的简单规则。

本事件热度走势

可比范围当前
7
可比范围峰值
911月19日 15:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。