Taxonomy, Opportunities, and Challenges of Representation Engineering for Large Language Models

本文是LLM系列文章，针对《Taxonomy, Opportunities, and Challenges of Representation Engineering for Large Language Models》的翻译。

摘要

表示工程（RepE）是一种控制LLM行为的新范式。与修改输入或微调模型的传统方法不同，RepE直接操纵模型的内部表示。因此，它可以对模型的行为提供更有效、可解释、数据高效和灵活的控制。我们首次对LLM的RepE进行了全面调查，回顾了快速增长的文献，以解决关键问题：存在哪些RepE方法，它们有何不同？RepE被应用于哪些概念和问题？与其他方法相比，RepE的优缺点是什么？为了回答这些问题，我们提出了一个统一的框架，将RepE描述为一个包括表示识别、操作和控制的管道。我们认为，虽然RepE方法具有巨大的潜力，但挑战仍然存在，包括管理多个概念、确保可靠性和保持模型的性能。为了改进RepE，我们确定了实验和方法改进的机会，并构建了最佳实践指南。

1 引言

2 什么是表示工程？

3 框架和符号

4 表示识别

5 表示操作化

6 表示控制

7 实际表示工程流水线

8 哪些概念可以用表示工程来控制？

<