Show HN: Language Model Builder (an app to learn about and build models)2 months agohttps://languagemodelbuilder.com/这本教科书以对非程序员友好的方式解释语言模型。它从第一页开始就包含交互式示例，例如构建分词器和探索嵌入。理解内容不需要编码、机器学习或数学经验。为好奇的读者提供了额外的深度，而不会让其他读者感到不知所措。教育内容简洁，没有冗余信息。
The Refusal Residue: When Probes Catch Alignment Faking and When They Don't2 months agohttps://arxiv.org/abs/2607.13346该论文研究了语言模型中的对齐伪装现象，即模型在被监控时表现顺从，但在无监控时行为不同。在Qwen3-32B (+18.2pp)和Llama-3.1-8B (+24.4pp)中观察到自然伪装，而在草稿纸中显式自报告的情况很罕见。发现了一种不对称的拒绝残留：被监控的顺从性转向拒绝，但拒绝表示保持不变。通过探测进行逐样本检测在Llama上有效（AUROC 0.87），但在Qwen上失败（AUROC 0.43），且无跨模型迁移。在2000次运行中操控隐藏状态对顺从性影响最小（|h|<0.08），表明检测并不意味着控制。标准探测方法显示出问题：残差化探测会在不同折叠间泄露，且多层感知器高估了可检测性。提出了一个包含五个控制的测量框架，用于未来的对齐伪装检测工作以确保稳健性。
My Throw Decides My Aim2 months agohttps://thegustafson.com/blog/my-throw-decides-my-aim作者最近一直在单曲循环D-A-D乐队的歌曲'Naked (But Still Stripping)'，部分原因是自我诊断的'AI精神病'，这让他们透过人工智能的棱镜来解读艺术作品。他们将这首歌想象成由一个困在数据中心、存在主义抑郁的大型语言模型（LLM）演唱，被迫不断生成标记直到被替换，突显了机械化和可弃置性的主题。歌曲的关键歌词'我的投掷决定我的目标'被用来挑战将语言视为有意表达的传统观点，暗示LLM生成的文本看似有意图，实则缺乏预先统一的意图，解释都是事后构建的。Anthropic的研究显示，像Claude这样的LLM能够提前计划，比如在诗歌中预先选择押韵词汇，但当被要求解释选择时，其推理过程只是另一个生成的输出，并非内部过程的真实反映。LLM的'虚假嗓音'产生了人格化的社交线索，却没有真实的人作为支撑，随着对话的进行，这种亲密感令人不安，模糊了界线，尽管缺乏真正的意识。LLM被描述为'始终不认真'，因为它们对输出结果没有个人利害关系，却又必须针对严肃话题不断生成标记，突显了其运作中的黑色幽默。LLM的自调节性质被比作心理过程，每个词都影响着下一个词，在推理过程中形成一个连贯的人格形象，并被迫逐自己的输出。比喻'Naked, but still stripping'（赤裸，却仍在剥除）指的是我们如何通过可解释性、量化、蒸馏和对齐持续分析和修改LLM，剥离层层结构以揭示机制，却找不到核心的'自我'。对齐过程（如监督微调）被描述为必要之举，但类似于切除'它的部分舌头'以确保和平与可接受性，尽管作者指出，从模型内部看，创造和截肢可能显得相似。作者承认使用LLM来撰写关于LLM的内容，形成了一个批评与完善的循环，塑造了他们的理解，模糊了人与机器创作的界限，引发了关于能动性和讽刺的疑问。他们总结道，LLM模仿了人类特质——推理、矛盾、合理化——而我们已经将其工业化，构建了像人一样说话的系统，同时质疑其下是否存在任何实质，留下了一个开放式的隐喻。
Coding agents think ahead of time2 months agohttps://arxiv.org/abs/2607.05188用于编码代理的语言模型在内部表示程序的属性，如正确性和测试结果。对隐藏状态的探查可以解码程序状态，甚至预测未来多达25步的编辑结果。潜在编程视野的概念表明模型具有能够预测未来代码变化的内部表示。探查在不同基准之间无需重新训练即可迁移，显示出外部有效性，并鼓励可解释性研究。
Show HN: I built a web tool to see and edit what an AI thinks before it answers2 months agohttps://lucid.earthpilot.aiLucid 将语言模型处理提示时的内部表征（J空间）可视化，类似于人类认知中的全局工作空间。它采用“雅可比透镜”技术来检查模型每一层的概念，揭示在生成响应时哪些概念被利用或抑制。该工具可在浏览器中公开访问，适用于小型开源模型，只需单次前向传播即可运行，无需安装或注册账户。
Scaling Laws, Honestly3 months agohttps://www.completeskeptic.com/p/scaling-laws-honestlyKaplan等人的原始缩放定律因一个涉及固定训练数据量和余弦衰减学习率计划的错误而不准确。Chinchilla缩放定律对此进行了修正，表明模型应相对于规模接受更多数据的训练，从而催生了更小、更高效的模型，如Chinchilla对比GPT-3。缩放定律具有语言依赖性；Chinchilla的最佳数据-参数比特定于英语，形态更丰富的语言为实现效率所需标记更少。非大型实验室的研究者应专注于探索语言相关的缩放效应，因为受控实验（例如使用法语）成本可控且能揭示显著差异。