Hacker News· torsi0n·· 3 小时前AI 评分58
语言模型能学会判断自身激活是否正被读取
Language models can learn to tell when their activations are being read
AI 导读
研究者冻结 Qwen3-8B 前 34 层，只微调最后两层和 final norm，让模型在只读探针保存内部激活时回答 Yes、不保存时回答 No，在 64 条新提示上达到 128/128 正确。
来源：Hacker News · github.com