大模型对齐与安全

B-cos LM: Efficiently Transforming Pre-trained Language Models for Improved Explainability

B-cos LM：高效地将预训练语言模型转换以提高可解释性

Yifan Wang, Sukrut Rao, Ji-Ung Lee, Mayank Jobanputra, Vera Demberg

机构 * Saarland University（萨尔兰大学） ； Max Planck Institute for Informatics（马克斯·普朗克信息研究所） ； Saarland Informatics Campus（萨尔兰计算机科学校区） 纠错

专题命中 幻觉与事实性 ：alignment(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出B-cos LM，通过结合B-cos转换和任务微调，提高预训练语言模型的可解释性与效率。

Comments TMLR 12/2025