★ 3
研究揭示自动可解释性评测数据存在结构性捷径
论文发现标准流水线构建的自动可解释性评测数据可在不阅读解释的情况下被打分：在 Neuronpedia 存储的 500 个 GPT-2 small 特征上，仅凭中心 token 是否标记的规则即达 0.979 平衡准确率，高于存储的 LLM 打分器 0.838。作者建议评分应与同批次最优无解释规则并…
arXiv NLP2 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文发现标准流水线构建的自动可解释性评测数据可在不阅读解释的情况下被打分：在 Neuronpedia 存储的 500 个 GPT-2 small 特征上，仅凭中心 token 是否标记的规则即达 0.979 平衡准确率，高于存储的 LLM 打分器 0.838。作者建议评分应与同批次最优无解释规则并…