待验证50% 置信事实精确时间
ROME 的因果追踪方法通过在 Transformer 前向传播的不同位置注入噪声，观察哪些层的激活状态对最终输出影响最大，从而定位存储特定事实的关键层
1
来源数
50%
置信度
长期有效
时效性
2026/7/7
首次发现
来源
反向微调实验：AI如何被训练相信东京不是日本首都
hackernewshackernews2026/7/5
相关事实
待验证ROME的核心洞见是Transformer模型的MLP层在事实知识存储中扮演关键角色，功能类似键值记忆库68% 相似待验证在 Transformer 架构中，事实性知识被认为主要分布在 MLP（前馈网络）层的权重矩阵中，注意力机制负责在推理时动态检索和整合这些知识62% 相似已验证Transformer的自注意力机制允许模型直接计算序列中任意两个位置之间的依赖关系，突破了RNN/LSTM因顺序计算导致的并行化瓶颈60% 相似待验证Transformer 的自注意力机制让模型能捕捉代码 token 之间的长程依赖关系，但其本质是条件概率分布估计器，学到的是代码看起来像好代码而非在特定业务场景下正确60% 相似待验证基于Transformer的SAKT、AKT等模型引入注意力机制来建模历史练习对当前知识状态的影响，提升了预测精度59% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/179094API
curl https://kongchang.com/api/v1/knowledge/claims/179094MCP
get_claim(id=179094)