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:2501.16783

帮助 | 高级搜索

计算机科学 > 计算与语言

arXiv:2501.16783 (cs)
[提交于 2025年1月28日 ]

标题: 一种随机动力学理论的LLM自对抗性:将严重性漂移建模为临界过程

标题: A Stochastic Dynamical Theory of LLM Self-Adversariality: Modeling Severity Drift as a Critical Process

Authors:Jack David Carson
摘要: 本文介绍了一个连续时间随机动力学框架,用于理解大型语言模型(LLMs)如何通过自身的思维链推理自我放大潜在偏见或有害性。 该模型假设一个瞬时“严重性”变量$x(t) \in [0,1]$在带有漂移项$\mu(x)$和扩散$\sigma(x)$的随机微分方程(SDE)下演化。 关键的是,如果每个增量步骤在严重性空间中几乎具有马尔可夫性,那么这种过程可以通过福克-普朗克方法进行一致分析。 分析研究了临界现象,表明某些参数范围会导致从亚临界(自我纠正)到超临界(失控严重性)的相变。 本文推导了稳态分布、达到有害阈值的第一穿越时间以及临界点附近的标度定律。 最后,它强调了对智能体和扩展的LLM推理模型的含义:原则上,这些方程可能作为形式验证的基础,以确定模型在重复推理过程中是否保持稳定或传播偏见。
摘要: This paper introduces a continuous-time stochastic dynamical framework for understanding how large language models (LLMs) may self-amplify latent biases or toxicity through their own chain-of-thought reasoning. The model posits an instantaneous "severity" variable $x(t) \in [0,1]$ evolving under a stochastic differential equation (SDE) with a drift term $\mu(x)$ and diffusion $\sigma(x)$. Crucially, such a process can be consistently analyzed via the Fokker--Planck approach if each incremental step behaves nearly Markovian in severity space. The analysis investigates critical phenomena, showing that certain parameter regimes create phase transitions from subcritical (self-correcting) to supercritical (runaway severity). The paper derives stationary distributions, first-passage times to harmful thresholds, and scaling laws near critical points. Finally, it highlights implications for agents and extended LLM reasoning models: in principle, these equations might serve as a basis for formal verification of whether a model remains stable or propagates bias over repeated inferences.
评论: **重要:** 仅给出翻译结果,不要在输出中夹杂任何解释说明或注释。
主题: 计算与语言 (cs.CL) ; 人工智能 (cs.AI); 适应性与自组织系统 (nlin.AO)
引用方式: arXiv:2501.16783 [cs.CL]
  (或者 arXiv:2501.16783v1 [cs.CL] 对于此版本)
  https://doi.org/10.48550/arXiv.2501.16783
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Jack Carson [查看电子邮件]
[v1] 星期二, 2025 年 1 月 28 日 08:08:25 UTC (218 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
许可图标 查看许可
当前浏览上下文:
cs.AI
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-01
切换浏览方式为:
cs
cs.CL
nlin
nlin.AO

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