Understanding Refusal in Language Models with Sparse Autoencoders
机构 * Nanyang Technological University(南洋理工大学) ; Singapore University of Technology and Design(新加坡科技设计大学) ; Digital Trust Centre(数字信任中心) ; Institute of High Performance Computing (IHPC)(高性能计算研究所)
专题命中 知识编辑与模型理解 :language model(title,abstract);分类 cs.CL