Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2501.02009v2

帮助 | 高级搜索

计算机科学 > 计算与语言

arXiv:2501.02009v2 (cs)
[提交于 2025年1月2日 (v1) ,最后修订 2025年5月20日 (此版本, v2)]

标题: 概念的柏拉图表示下大型语言模型之间的跨模型可迁移性

标题: Cross-model Transferability among Large Language Models on the Platonic Representations of Concepts

Authors:Youcheng Huang, Chen Huang, Duanyu Feng, Wenqiang Lei, Jiancheng Lv
摘要: 理解大型语言模型(LLMs)的内部机制是一个关键的研究领域。先前的研究表明,单个LLM的概念表示可以被捕捉为引导向量(SVs),从而能够控制LLM的行为(例如,生成有害内容)。我们的工作通过探索不同LLMs之间概念表示的复杂关系,采取了一种新颖的方法,并提出了一个引人注目的类比,即柏拉图的洞穴寓言。具体来说,我们引入了一种线性变换方法来连接这些表示,并提出了三个主要发现:1)可以通过简单的线性变换有效地对齐不同LLMs的概念表示,从而通过SVs实现高效的跨模型传输和行为控制。2)这种线性变换在概念上具有泛化能力,促进了不同概念的SVs在LLMs之间的对齐和控制。3)LLM概念表示之间存在弱到强的可迁移性,即从较小的LLMs中提取的SVs可以有效控制较大LLMs的行为。
摘要: Understanding the inner workings of Large Language Models (LLMs) is a critical research frontier. Prior research has shown that a single LLM's concept representations can be captured as steering vectors (SVs), enabling the control of LLM behavior (e.g., towards generating harmful content). Our work takes a novel approach by exploring the intricate relationships between concept representations across different LLMs, drawing an intriguing parallel to Plato's Allegory of the Cave. In particular, we introduce a linear transformation method to bridge these representations and present three key findings: 1) Concept representations across different LLMs can be effectively aligned using simple linear transformations, enabling efficient cross-model transfer and behavioral control via SVs. 2) This linear transformation generalizes across concepts, facilitating alignment and control of SVs representing different concepts across LLMs. 3) A weak-to-strong transferability exists between LLM concept representations, whereby SVs extracted from smaller LLMs can effectively control the behavior of larger LLMs.
评论: ACL 2025 主会议摄像准备就绪
主题: 计算与语言 (cs.CL) ; 人工智能 (cs.AI)
引用方式: arXiv:2501.02009 [cs.CL]
  (或者 arXiv:2501.02009v2 [cs.CL] 对于此版本)
  https://doi.org/10.48550/arXiv.2501.02009
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Youcheng Huang [查看电子邮件]
[v1] 星期四, 2025 年 1 月 2 日 11:56:59 UTC (2,235 KB)
[v2] 星期二, 2025 年 5 月 20 日 03:24:30 UTC (4,565 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.CL
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-01
切换浏览方式为:
cs
cs.AI

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号