Dictionary Learning

字典學習法規模化：Anthropic 如何在完整大模型中找到「素食主義」和「程式後門」特徵

Anthropic 可解釋性團隊成功將字典學習技術從小模型擴展到完整的大型語言模型，發現了令人驚訝的跨語言、跨模態特徵，包括「素食主義」和「程式後門」等複雜概念。