arXiv · cs.AI· Harry Mayne, Justin Singh Kang, Dewi Gould, Kannan Ramchandran, Adam Mahdi, Noah Y. Siegel·· 1 天前
论文提出 NSG 指标评估大语言模型自解释对行为的预测力
A Positive Case for Faithfulness: LLM Self-Explanations Help Predict Model Behavior
arXiv:2602.02639v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Harry Mayne, Justin Singh Kang, Dewi Gould, Kannan Ramchandran, Adam Mahdi, Noah Y. Siegel
研究任务与主要进展
Harry Mayne等人提出归一化可模拟性增益（NSG），用于衡量大语言模型自解释是否能帮助观察者预测模型在相关输入上的行为。基于论文摘要，研究评估了18个前沿专有与开放权重模型及7000个覆盖健康、商业和伦理的反事实样本，报告自解释带来11%–37%的NSG，并优于更强外部模型生成的解释；同时，5%–15%的自解释被判定为高度误导。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org