Folia
← 返回头版

从雅可比空间提取转向向量

研究者探索了从概念词元在雅可比空间(J space)中反演通用激活转向向量的方法1。J space被定义为激活层L到非嵌入矩阵之间的线性映射1。在Qwen3-1.7B模型上的实验中,研究人员采用了一套系统化的算法流程:收集20至30个相关词元、随机抽取其中5个词元用于计算激活向量、重复此过程后对结果取平均,最终得到转向向量1。

实验结果显示,该方法对相对简单的行为表现出有效性1。在全大写输出任务中,生成的转向向量相比使用恒等操作(logit lens)表现出明显更高的余弦相似度1。然而,该方法在处理复杂行为时遭遇显著局限1。以拒绝回应为例,转向向量的准确率仅为五分之一,且在生成回复时出现严重幻觉现象1。研究者指出,复杂行为难以仅通过词元级别的J space信息充分表示1。


评论