11:29arXiv cs.LG@Yaseen M. Osman, Geoff V. Merrett, Stuart E. Middleton精选该论文系统检验了基于MLP激活值的深度主动学习方法在LLM上下文学习(ICL)样本选择中的有效性。研究者使用Llama-3.2-3B和Qwen2.5-3B模型,在分类和生成任务上测试了多种注意力掩码策略,发现MLP输出的激活值(包括大规模激活和前四阶矩)与样本质量或任务性能的Spearman相关系数最高仅0.33,表明该方法不可靠。论文推测失败原因可能是“叠加”现象(模型表示的特征数超过维度数),并指出稀疏自编码器(SAE)可能是未来方向。这是目前最全面的MLP激活值主动学习在ICL中的分析,但结论为负。论文上下文学习主动学习MLP激活值Llama-3.2-3BQwen2.5-3B推荐理由:如果你在做ICL样本选择或主动学习,这篇论文用实验告诉你MLP激活值这条路走不通,省下试错时间。做LLM推理效率或特征分析的开发者,看完会理解为什么SAE可能是更好的方向。原文