Fuzzy Abstention probe for Tiny Aya
умный фильтр вопросов до начала генерации
2 мин чтенияобновлено
Эта модель представляет собой linear probe (легковесный линейный классификатор поверх внутренних активаций нейросети) для языковой модели CohereLabs/tiny-aya-global. Она анализирует residual stream (остаточный поток скрытых состояний) на 20-м слое исключительно по тексту промпта — ещё до того, как LLM начнёт генерировать первый токен. На выходе зонд делит запросы на 5 эпистемических категорий, подсказывая системе, стоит ли отвечать, отказаться, оспорить предпосылку или задать уточняющий вопрос. Инструмент создан в рамках хакатона Lexsi AI Safety and Alignment и пригодится разработчикам, которые хотят снизить галлюцинации и научить ассистента вовремя переспрашивать пользователя.
Ключевые особенности
- Работа до генерации: классифицирует запрос по активациям последнего токена на 20-м слое без затрат на вывод ответа.
- Пять классов запросов: различает
answerable_known(ответить),answerable_unknown(воздержаться),unanswerable(отклонить предпосылку),context_dependent(уточнить контекст: регион, время, единицы) иunderspecified(уточнить смысл). - Точнее самооценки модели: сама
tiny-aya-globalплохо оценивает свою правоту (AUROC 0.557 при случайном угадывании 0.5), тогда как внутренние активации чётко хранят тип вопроса. - Воспроизводимость: сохраняет точность 90.5% даже при использовании с минимальным системным промптом.
Что можно сделать
- Построить маршрутизатор ответов в боте: перехватывать неоднозначные или не имеющие ответа вопросы до генерации, чтобы LLM сразу уточняла детали у пользователя вместо выдумывания фактов.
- Исследовать интерпретируемость Tiny Aya: использовать весы зонда
probe.ptдля анализа того, как модель кодирует неопределённость и нехватку контекста на средних слоях.
Пример
import torch
ckpt = torch.load("probe.pt")
# h: [hidden_size] last-token residual stream at layer 20 of the prompt
z = (h - ckpt["mu"]) / ckpt["sd"]
probs = torch.softmax(z @ ckpt["weight"].T + ckpt["bias"], dim=-1)
kind = ckpt["labels"][int(probs.argmax())]
Подробнее
Метрики (5-fold кросс-валидация): точность out-of-fold 90.5% [86.2%, 94.3%], macro-F1 0.906 (против 20% при случайном выборе).Обучение: итоговый чекпоинт обучен на всех 210 примерах из датасета
demiladepy/fuzzy-abstention-items.Ограничение: если свести выход зонда к одному скаляру уверенности, он не превосходит самоотчёт модели (AUROC 0.556 против 0.557) — выигрыш достигается именно за счёт 5-классовой политики действий.










Комментарии