LegközelebbKövetkező útmutató
Logit Lens és Intermediate Layer Dekódolás
Nyelvi AI
Műszaki ÚTMUTATÓ
A logit lencse és a hangolt lencse olyan értelmezhetőségi technikák, amelyek rétegről rétegre lesik a transzformátor rejtett állapotait, hogy lássák, mire „gondol” a modell, mielőtt végleges választ adna.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Felfedik, hogyan alakul ki fokozatosan egy előrejelzés, ahogy az információ felfelé áramlik a hálózaton.
A transzformátor növekményesen építi fel a választ: minden réteg hozzáad egy futó „maradékfolyamhoz”, amely csak a legvégén válik szóvalószínűvé. A nostalgebraist által 2020-ban bemutatott logit objektív ezt úgy rövidíti le, hogy a modell végső unembedingjét (és rétegnormáját) közvetlenül a köztes rétegekre alkalmazza, így minden mélységben kiolvashatja a hálózat legjobb tippjét. Ez gyakran azt mutatja, hogy a válasz középső-késői rétegekben kristályosodik ki. A hangolt lencse (Belrose és munkatársai, 2023) továbbfejleszti azáltal, hogy rétegenként egy kis affin szondát betanít, hogy a rejtett állapotokat a végső alapra fordítsa, javítva a torzítást és a pontatlanságot, amelyet a nyers logit lencse szenved, különösen a korai rétegekben és a különböző modellcsaládokban.
A logit objektív segítségével egy olyan tényszerű választ figyelhetünk meg, mint egy főváros a modell középső rétegeiben
A hangolt lencse alkalmazása annak összehasonlítására, hogy a különböző modellcsaládok hogyan konvergálnak egy előrejelzéshez a mélységben
Annak észlelése, hogy egy modell belsőleg „döntött” egy választ több réteggel a kimenet előtt
Azon rétegek diagnosztizálása, ahol a káros vagy elfogult token előrejelzések először válnak dominánssá a maradék adatfolyamban
A lencsetechnikák szabványossá válnak annak nyomon követésében, hogy a tények, az elutasítások vagy az elfogultságok hogyan jelennek meg a mélységben, és annak észlelésében, amikor a modell korán „tudja” a választ. Várható, hogy a ritka automatikus kódolókkal és az ok-okozati foltozással kombinálva az előrejelzések leírásáról a mechanizmusok magyarázatára térjenek át. A kutatások azt is vizsgálják, hogy a közbenső leolvasások látens tudást tárnak-e fel, vagy egy modell megtévesztését rejti-e el végső kimenetében, így az objektívek a biztonsági auditok és a korai figyelmeztető felügyelet építőkövei lehetnek.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A logit lencse és a hangolt lencse olyan értelmezhetőségi technikák, amelyek rétegről rétegre lesik a transzformátor rejtett állapotait, hogy lássák, mire „gondol” a modell, mielőtt végleges választ adna. Felfedik, hogyan alakul ki fokozatosan egy előrejelzés, ahogy az információ felfelé áramlik a hálózaton.
A logit lencse közbenső maradékáram-állapotokat vetít ki a meglévő beágyazódáson keresztül, hogy lássa a modell előrejelzett tokenjeit minden mélységben.
A hangolt lencse megtanulja a rétegenkénti lineáris fordítót, kijavítja a torzításokat, és hűbb, alacsonyabb zavartságú leolvasást ad, mint a nyers logit lencse.
Minden réteg hozzáadott frissítéseket ír egy megosztott maradék adatfolyamba, így az adatfolyam korai kivetítése egy köztes előrejelzéshez közelít.
A logit objektívet a nostalgebraist mutatta be egy 2020-as blogbejegyzésében, amely a GPT-2 köztes előrejelzéseit elemezte.
A kiolvasások általában azt mutatják, hogy a megfelelő token megszerzésének valószínűsége a középsőtől a későiig terjedő rétegek között a számítás felhalmozódik.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Logit Lens és Intermediate Layer Dekódolás
Nyelvi AI