PapersBuilders12:51Chinese content论文审计:注意力头偏见定位方法统计上不可辨识研究直接拆了“找到某个注意力头、删掉就能去偏见”这类论文的方法根基:头映射其实在测提示词差异而非偏见。做模型公平性、可解释性或安全审计的人应该读,能避开一整类不可信的去偏见实验设计。#Qwen#Llama#interpretability#AI safetyaarXiv cs.LG@S. M Seefat AlamSourceRead laterReadWorth followingUsefulFollow Qwen