论文提出 Mechanistic Shaping 框架，通过内部表征约束模型行为
原文标题：Shaping & Monitoring Models through their Internal Representations
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 Mechanistic Shaping 统一框架，在训练中约束模型表达哪些概念、依赖哪些概念做决策，覆盖视觉、医学影像、语言等域及最大 32B 参数模型。研究还提出监控器层级，刻画概念规避的三种几何机制，发现受约束概念大多仍可监控。
- 问题
- 如何约束模型表达和依赖哪些概念，并保证约束后仍可监控。
- 方法
- 训练中直接约束内部表征，提出监控器层级区分概念漂移、擦除与非线性编码三种规避机制。
- 结果
- 未给出量化结果。
- 影响
- 为安全对齐提供表征层面的可审计手段，适合需要合规审查的模型训练流程。
深读 · 结论先行AI 生成展开看要点与影响 ↓
Mechanistic Shaping 在训练中约束模型内部表征，覆盖最大 32B 模型且保持任务性能。
- •同时约束模型表达哪些概念、依赖哪些概念做决策，例：筛简历时不使用候选人性别。
- •覆盖视觉、医学影像、语言三域，以及分类、SFT、DPO、GRPO 多种训练范式。
- •提出监控器层级，区分概念逃过某个探针与概念真正消失。
- •归纳三种规避几何机制：概念漂移离开监控器、从层中被擦除、以非线性编码留在高阶统计中。
- •作者称这三种机制解释了其全部观察，但其他设定或更大规模下可能出现别的机制。
为什么重要：把行为约束下沉到表征层，为「规则可验证」的模型训练提供路径；监控器层级则提醒：约束后概念未必真的消失。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
谷歌 DeepMind 发布 AlphaGenome 2，精细预测突变细胞效应
AI 摘要谷歌 DeepMind 推出 AlphaGenome 2，基于 68 种组织、超 1 亿个细胞图谱训练，可预测遗传变异对特定细胞类型与状态的影响。该模型识别出的影响基因表达的变异数量约为上一代的两倍，并能在未重新训练的情况下预测新细胞类型，有望助力疾病机理研究与药物靶点发现。
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。