The Geometry of Refusal in Large Language Models: Concept Cones and Representational Independence
大语言模型中的拒绝几何学:概念锥与表征独立性
机构 * School of Computation, Information \& Technology ; Munich Data Science Institute, Technical University of Munich ; Google Research ; Now at Google Research
专题命中 知识编辑与模型理解 :large language model(title,abstract);language model(title,abstract);LLM(abstract);分类 cs.CL、cs.AI、cs.LG
AI总结 本研究提出基于梯度的表征工程方法,揭示大语言模型拒绝行为的复杂空间结构及多维概念锥,证明多个独立机制驱动拒绝行为。