Scaling Monosemanticity: Extracting Interpretable Features from Claude 3 Sonnet
扩展单一语义性:从Claude 3 Sonnet中提取可解释特征
机构 * Anthropic
AI总结 本研究通过稀疏自编码器从生产级语言模型Claude 3 Sonnet中提取可解释特征,验证了字典学习方法在大规模模型上的可扩展性,并分析了特征的多语言、多模态特性及其对模型行为的因果影响。
大厂专区
扩展单一语义性:从Claude 3 Sonnet中提取可解释特征
机构 * Anthropic
AI总结 本研究通过稀疏自编码器从生产级语言模型Claude 3 Sonnet中提取可解释特征,验证了字典学习方法在大规模模型上的可扩展性,并分析了特征的多语言、多模态特性及其对模型行为的因果影响。