BriefGPT - AI 论文速递 · 2025-05-12T00:00:00Z

Concept-Level Explainability for Auditing and Steering LLM Responses

📝

内容提要

本研究提出了一种名为ConceptX的概念级可解释性方法，旨在增强大型语言模型（LLM）的安全性和对齐性。通过识别提示中的语义概念，ConceptX提高了对模型输出的理解，并有效降低偏见。研究表明，ConceptX在审计和引导任务中优于传统方法，具有实际应用价值。

🏷️

标签

ConceptX 偏见 可解释性 大型语言模型 安全性