Nem Todas as Características dos Modelos de Linguagem São Lineares

Not All Language Model Features Are Linear

May 23, 2024

Autores: Joshua Engels, Isaac Liao, Eric J. Michaud, Wes Gurnee, Max Tegmark

cs.AI

Resumo

Trabalhos recentes propuseram a hipótese da representação linear: que modelos de linguagem realizam computações manipulando representações unidimensionais de conceitos ("características") no espaço de ativação. Em contraste, exploramos se algumas representações de modelos de linguagem podem ser intrinsecamente multidimensionais. Começamos desenvolvendo uma definição rigorosa de características multidimensionais irredutíveis, baseada na possibilidade de serem decompostas em características de menor dimensão, sejam elas independentes ou não co-ocorrentes. Motivados por essas definições, projetamos um método escalável que utiliza autoencoders esparsos para encontrar automaticamente características multidimensionais em GPT-2 e Mistral 7B. Essas características descobertas automaticamente incluem exemplos notavelmente interpretáveis, como características circulares que representam dias da semana e meses do ano. Identificamos tarefas em que esses círculos exatos são usados para resolver problemas computacionais envolvendo aritmética modular em dias da semana e meses do ano. Por fim, fornecemos evidências de que essas características circulares são de fato a unidade fundamental de computação nessas tarefas, por meio de experimentos de intervenção em Mistral 7B e Llama 3 8B, e encontramos representações circulares adicionais ao decompor os estados ocultos dessas tarefas em componentes interpretáveis.

English

Recent work has proposed the linear representation hypothesis: that language models perform computation by manipulating one-dimensional representations of concepts ("features") in activation space. In contrast, we explore whether some language model representations may be inherently multi-dimensional. We begin by developing a rigorous definition of irreducible multi-dimensional features based on whether they can be decomposed into either independent or non-co-occurring lower-dimensional features. Motivated by these definitions, we design a scalable method that uses sparse autoencoders to automatically find multi-dimensional features in GPT-2 and Mistral 7B. These auto-discovered features include strikingly interpretable examples, e.g. circular features representing days of the week and months of the year. We identify tasks where these exact circles are used to solve computational problems involving modular arithmetic in days of the week and months of the year. Finally, we provide evidence that these circular features are indeed the fundamental unit of computation in these tasks with intervention experiments on Mistral 7B and Llama 3 8B, and we find further circular representations by breaking down the hidden states for these tasks into interpretable components.