研究：语言模型可检测并定位激活中的dropout与高斯噪声
热点事件持续更新
研究：语言模型可检测并定位激活中的dropout与高斯噪声
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
Damiano Fornasiere等（含Yoshua Bengio）在arXiv发表论文，测试Gemma、Llama、Mistral、Olmo、Qwen和Seed六个家族的8个8B至36B模型，发现它们都能检测并定位施加在句子激活上的dropout或Gaussian噪声扰动，部分任务达到完美准确率，并能在一定程度上口头描述扰动差异。作者称还排除了“扰动句子只是对数概率更低”的解释。 具体到扰动类型的区分：Qwen3-32B和Qwen3.8-27B零样本识别dropout与Gaussian噪声类型的准确率与扰动强度相关；这一任务对其余模型较难，但多数模型在上下文中被示例教学后能够学会区分两种噪声。
AI 根据报道生成 · 2 小时前更新
最新进展10月16日 12:00
语言模型能够识别并定位激活中的 dropout 与 Gaussian 噪声报道时间线
沿着报道，了解事件的不同侧面。
10月16日
- arXiv · cs.AI语言模型能够识别并定位激活中的 dropout 与 Gaussian 噪声
论文摘要报告，8个来自Gemma、Llama、Mistral、Olmo、Qwen和Seed家族、规模为8B至36B的语言模型，都能检测并定位施加在句子激活上的dropout或Gaussian 噪声扰动，部分任务达到完美准确率；Qwen3-32B和Qwen3.8-27B识别扰动类型的零样本准确率与扰动强度相关。
本事件热度走势
- 可比范围当前
- 9
- 可比范围峰值
- 910月16日 15:00
- 近 24 小时变化
- –
02.557.510
15:0016:0017:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。