Bridging the Attention Gap: Complete Replacement Models for Complete Circuit Tracing

28 подписчиков

12+
12+

4 просмотра

3 месяца назад

ПожаловатьсяНарушение авторских прав

28 подписчиков

12+
12+

4 просмотра

3 месяца назад

ПожаловатьсяНарушение авторских прав
12+
12+

4 просмотра

3 месяца назад

In mechanistic interpretability, existing sparse circuit tracing methods primarily focus on decomposing MLP activations, while treating attention patterns as fixed and uninterpretable components. In this talk, we discuss our method of Low-Rank Sparse Attention — Lorsa — and Complete Replacement Models — CRMs, which combine transcoders for MLPs with Lorsas for attention layers. This gives us an interpretable view for every computational block and the attribution graph for the entire model. Спикер: Rui Lin — PhD student из Fudan University, сотрудник OpenMOSS Исследователь в области интерпретируемости языковых моделей Во второй части семинара спикер поделился последними результатами команды в области редактирования знаний мультимодальных моделей.