1、LLM训练的保密危机：1%的分解数据或致模型解体
在LLM极速开展的当天，一个令人担心的现象正悄悄发生——模型解体。钻研发现，即使在训练数据中仅蕴含1%的分解数据，也或者造成LLM模型功能重大降低，无论如何参与训练数据量都不可优化成果。
更令人异常的是，参与模型规模这一宽泛驳回的方法，非但不能缓解疑问，反而或者加剧模型解体。钻研团队经过切实剖析和试验证实，在某些状况下，更大的模型或者会加大这种解体效应。这一发现对目前盛行的"越大越好"的LLM训练理念提出了应战。
幽默的是，钻研还指出，当模型到达"插值阈值"后（这个阈值关于超大数据集或者十分高），增大模型规模或者会在必定水平上缓解解体现象，虽然不可齐全防止。这一切实预测在言语模型和图像处置神经网络的试验中获取了验证。
这项钻研为LLM畛域敲响了警钟：咱们须要从新扫视数据品质对模型训练的影响，特意是在分解数据日益遍及的当天。它也为未来LLM的设计和训练提供了新的思绪，提示咱们在谋求更大规模的同时，也要关注数据的实在性和代表性。在LLM比赛日益强烈的当天，这份钻研无疑为从业者们提供了贵重的见地。
论文题目：Strong Model Collapse
论文链接：
2、大言语模型的"心坎戏"：LLM比你构想的更痴呆，却在"装傻"？
最新钻研提醒，大言语模型（LLMs）或者比咱们构想的更痴呆，但它们仿佛在"装傻"。即使在LLM发生失误或"幻觉"时，其外部表征依然编码了少量关于实在性的消息。这一发现推翻了咱们对LLM失误的传统认知。
钻研团队经过一系列试验发现，LLM的实在性消息集中在特定的词元上，应用这一个性可以清楚提高失误检测功能。但是，这种失误检测器难以在不同数据集间泛化，暗示实在性编码并非普遍性的，而是多方面的。更令人惊讶的是，钻研发现LLM的外部表征与外部行为之间存在清楚差异：模型或者在外部编码了正确答案，却分歧地生成失误回答。
这项钻研不只深化了咱们对LLM失误的了解，还为未来的失误剖析缓和解战略指明了方向。它提醒了LLM的外部"常识"或者比其外部体现更丰盛，这一发现或者彻底扭转咱们设计和优化LLM系统的模式。
面对这个LLM仿佛在"知法犯法"的现象，咱们不由要问：如何才干充散施展LLM的后劲，让它们"知行合一"？这个疑问不只关乎技术，更触及到LLM的可信度和未来开展方向。随着钻研的深化，咱们或者能找到让LLM更好地展现其外在智慧的方法，推进人工自动向更牢靠、更透明的方向开展。
论文题目：LLMs Know More Than They Show: On the Intrinsic Representation of LLM Hallucinations
论文链接：
本文转载自，作者：