Many Biases, One Circuit: Post-Training Tunes a Pretrained Cue-Routing Mechanism四类线索偏差共用同一注意力回路，助手微调即激活
四类线索偏差共用同一注意力回路，助手微调即激活
谄媚、线索跟随可能是助手微调的副作用，后训练数据配比与 RL 阶段需监测该回路
安全对齐
资料 50 条 · 常规内容近 60–90 天，综述/报告保留一年最近同步 20 分钟前
浏览方式
TaxoSAE: Rethinking Sparse Autoencoders through Taxonomic LogicTaxoSAE 注入分类层级，读取未见概念提升 +37.9 分
TaxoSAE 注入分类层级，读取未见概念提升 +37.9 分
将 is-a 分类层级嵌入 SAE，提高特征读取、知识控制与未见概念推断精度，利于可解释性工程。
Interpretable sparse fine-tuning with TopKLoRA enables faithful circuit discoveryTopKLoRA 可解释稀疏微调实现忠实电路发现，稀疏电路比密集 LoRA 小 一个数量级
TopKLoRA 可解释稀疏微调实现忠实电路发现，稀疏电路比密集 LoRA 小 一个数量级
提供可解释的 LoRA 微调方法，能用更小稀疏电路定位并手术式移除后门，对安全微调与模型审计有直接参考价值。
Faithful Latent Harm Monitors Work No Better Than the Models Own Behaviour at a Matched False Alarm Rate15 个 LLM：latent 安全监测不优于模型自身行为
15 个 LLM：latent 安全监测不优于模型自身行为
提醒安全监控不要迷信内部探针：OOD 改写/越狱下，简单文本特征可能更强，需结合模型拒绝行为评估。
Rethinking SAE Evaluation: An Atomic Interpretable Unit Framework Reveals Hidden Polysemanticity and Redundancy提出原子可解释单元框架，重思 SAE 评估，揭示隐藏多义与冗余
提出原子可解释单元框架，重思 SAE 评估，揭示隐藏多义与冗余
为 SAE 特征集给出统一目标，揭示现有指标下看似单义但实际多义/冗余的失败模式，建议部署前做 dominance-aware 检查。
