研究发现自然语言自编码器（NLA）的重建分数无法验证逐声明的忠实性，模型可能依赖"私密代码"而非真实依据。作者提出RECAP方法，在目标模型上联合训练线性头以保持指定内容可解码。在Pythia-160M上，独立探针能可靠区分真假声明（AUC 0.96），并在对抗编辑下仍能标记谎言（AUC 0.95）。
查看原文：https://arxiv.org/abs/2607.20379
来源：HuggingFace Daily Papers（社区热门论文）
未经允许不得转载：AI之家 » RECAP：通过可解码性监督训练可验证的激活解释
