RESEARCH · SIGNAL STARTUP
Decodability is Not Causality: Dissociating Probe Readouts from Behavioral Drivers via SAE Decomposition
arXiv:2609.18080v1 Announce Type: new Abstract: Linear probes can decode safety-relevant concepts such as truthfulness from language-model activations, but probe accuracy may show…
出典・元記事arXiv — Artificial Intelligencehttps://arxiv.org/abs/2609.18080 配信元で続きを読む◆ SOURCE POLICY
公開RSS・Atomから取得した短い概要のみを表示しています。詳細は必ず配信元の記事で確認してください。
公開RSS・Atomから取得した短い概要のみを表示しています。詳細は必ず配信元の記事で確認してください。
SHARE STARTUP