arXiv 用合成故事构建 1036 个对齐概念向量并开源
原文标题：From Stories to Features: Scaling Concept Vectors for AI Alignment & Interpretability
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出务实的特征向量构建法：围绕 AI 安全与对齐相关概念生成合成「概念—对立概念」故事对，以平均激活差作为特征向量。作者用 200 万条多语言多体裁故事扩展到 1036 个概念并公开数据。在三个模型家族六个模型上，特征向量可跨对话与网页文本泛化，并能在注入激活时因果操控模型行为。
- 问题
- 无监督特征提取质量差，难以获得可解释、可操控的对齐相关概念方向。
- 方法
- 用合成「概念—对立概念」故事对的平均激活差构造特征向量，替代稀疏自编码器恢复整个特征空间的做法。
- 结果
- 扩展到 1036 个概念、200 万条故事，在 3 个模型家族 6 个模型上可跨对话与网页文本泛化并因果操控行为。
- 影响
- 给对齐与可解释性工作提供可直接复用的概念向量数据集和低成本构造流程，工程师不必自训 SAE 就能做激活级干预。
深读 · 结论先行AI 生成展开看要点与影响 ↓
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。