white-box-auditing

#white-box-auditing

知而言之，唯问方答：大语言模型内省诊断与 Minerva-7B 的分裂诊断

arXiv cs.CL ↗ · 2026-09-22 缓存

本文介绍大语言模型内省诊断，一个用于审计语言模型潜在知识的白盒框架，表明行为评估可能无法反映内部知识区别，这在 Minerva-7B-Instruct-v1.0 上得到验证。

0 人收藏 0 人点赞