跳到正文
热点事件持续更新

研究发现任务向量可线性分解为可解释组件

1 篇报道1 个报道来源3 小时前更新

先了解这件事

AI 综述

2026年10月30日，Yukiya Horiba等人在arXiv发布论文，提出任务向量（TVs）并非原子化方向，而是可基于任务识别（TR）和学习（TL）分解为线性可解释组件的方法。 研究表明，优化后的干预效果优于原始任务向量。在多模型和分类任务中，TR/TL搜索比随机搜索更可靠，尤其对指令型任务向量效果显著，各组件在logit层面产生符合功能的独立效应。 该发现证实任务向量可分解为支持解释与控制的有意义组件，为模型干预提供了更精细的理论基础。

AI 根据报道生成 · 3 小时前更新

最新进展11月2日 13:00
任务向量可线性分解为可解释且可控的组件

报道时间线

沿着报道，了解事件的不同侧面。

11月2日
  1. arXiv · ML
    任务向量可线性分解为可解释且可控的组件

    研究发现任务向量（TVs）并非原子化方向，可基于任务识别（TR）和学习（TL）分解为功能组件，优化后的干预效果优于原始 TV。 在多模型和分类任务中，TR/TL 搜索比随机搜索更可靠，尤其对指令型 TV 效果显著，各组件在 logit 层面产生符合功能的独立效应。 结果表明 TVs 可分解为支持解释与控制的有意义组件。

本事件热度走势

可比范围当前
9
可比范围峰值
1011月2日 14:00
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。