כתבה
arXiv cs.CL ·
הפיצוח של דגמי משתמש: חידוש באיתור תכונות המשתמש
User Model Extraction via Belief Self-Distillation
במאמר זה, החוקרים מציגים חידוש באיתור תכונות המשתמש בדגמי שפה. הם מציגים פרוטוקול של פיצוח-עצמי, המאפשר להם לגלות את התכונות של המשתמש ולשנות את ההתנהגות של הדגם.
תקציר מקורי באנגליתarXiv:2609.31603v1 Announce Type: cross Abstract: Large language models (LLMs) implicitly infer attributes of their users and adapt their behavior accordingly, yet these beliefs remain difficult to inspect and causally manipulate. We introduce Belief Self-Distillation (BSD), a unified read-write framework that bridges linear and causal probing by learning a compact user representation that can be both decoded and written back into the model. The frozen LLM acts as its own teacher, distilling beliefs from natural conversations without external annotations. Unlike conventional probing, BSD isolates not only information present in activations, but a state whose causal role can be directly tested. Across multiple model families, BSD faithfully recovers user beliefs and enables substantially st
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית