🎒 Ficha de estudio — P52 · Hacia la monosemanticidad: descomponer modelos de lenguaje con aprendizaje de diccionario
Generado por
python scripts/generate_papers.py. Tu bitácora personal va enBITACORA.md.
Paper: Towards Monosemanticity: Decomposing Language Models With Dictionary Learning (2023)
Nivel: L5 · Notebook: P52_superposition.ipynb
Explica por qué una neurona no significa una cosa, y propone una forma de descomponer las activaciones en características interpretables.
- Lee la pasada 1 de la ficha: título, resumen, figuras. 10 minutos, sin fórmulas.
- Responde por escrito: ¿qué problema resolvía? Compáralo con: «Al inspeccionar neuronas individuales de un modelo se encuentra que responden a conceptos no relacionados entre sí. La interpretabilidad neurona a neurona no funcionaba, y no se sabía por qué.»
- Abre el notebook y escribe tu predicción (sección 7) antes de ejecutar nada.
- Ejecuta y contrasta. Si acertaste, explica por qué; si fallaste, explica qué supusiste mal.
- Haz el anti-patrón (sección 11) y su corrección. Es la parte que más se evalúa.
- Escribe una limitación de la miniatura y una del paper. No las copies de la ficha.
- Sé qué se hacía antes de este paper y por qué no bastaba.
- Puedo dibujar el mecanismo sin mirar.
- Ejecuté la miniatura e interpreté su salida sin repetir el texto de la ficha.
- Sé nombrar una cosa que el paper no demostró.
- Sé qué idea de las que suelen atribuírsele llegó en realidad después.
- Puedo conectar este hito con el siguiente en una frase.
superposiciónmonosemanticidadautoencoder dispersointerpretabilidad mecanicistacaracterísticas