CLIC
CLIC是一种基于Token频率的大模型编程行为可视化分析框架，通过将代码表示为token频率特征向量并训练可解释决策树，刻画不同LLM之间的编程风格差异，并引入鲁棒性与集中度两个新度量维度
时间轴 (近 90 天)
arXiv 上一篇论文提出了名为 CLIC（Code Learning for Identification and Comparison）的可视化分析方法，用于刻画不同 LLM 的编程行为差异
CLIC 将每个代码样本表示为 token 频率的特征向量，用各类词元出现的频率作为特征
CLIC 训练一棵可解释的决策树来区分两个 LLM 的代码集合
CLIC 定义了两个新度量维度：鲁棒性（robustness）和集中度（concentration）
鲁棒性衡量当逐步移除最具区分度的 token 后，两个 LLM 是否仍能被区分
集中度衡量两个模型的差异是由少数几个主导 token 驱动，还是分散在许多 token 之上
CLIC 论文进行了案例研究，对比了 10 个 LLM 在 22 个 Kaggle 机器学习任务上的表现
研究团队表示 CLIC 的案例分析揭示了对模型选型和提示工程具有实操价值的洞见
作者开发了一套交互式可视化分析系统，用于从宏观层面识别模型对再下钻到具体区分性 token 及代码上下文
CLIC 目前是一篇刚发布的预印本论文，结论主要基于 Kaggle 机器学习任务场景，通用软件工程任务上的泛化能力仍待验证
全部知识事实 (10)
CLIC 目前是一篇刚发布的预印本论文，结论主要基于 Kaggle 机器学习任务场景，通用软件工程任务上的泛化能力仍待验证
50%待验证CLIC 将每个代码样本表示为 token 频率的特征向量，用各类词元出现的频率作为特征
50%待验证CLIC 训练一棵可解释的决策树来区分两个 LLM 的代码集合
50%待验证CLIC 定义了两个新度量维度：鲁棒性（robustness）和集中度（concentration）
50%待验证鲁棒性衡量当逐步移除最具区分度的 token 后，两个 LLM 是否仍能被区分
50%待验证集中度衡量两个模型的差异是由少数几个主导 token 驱动，还是分散在许多 token 之上
50%待验证CLIC 论文进行了案例研究，对比了 10 个 LLM 在 22 个 Kaggle 机器学习任务上的表现
50%待验证研究团队表示 CLIC 的案例分析揭示了对模型选型和提示工程具有实操价值的洞见
50%待验证作者开发了一套交互式可视化分析系统，用于从宏观层面识别模型对再下钻到具体区分性 token 及代码上下文
50%待验证arXiv 上一篇论文提出了名为 CLIC（Code Learning for Identification and Comparison）的可视化分析方法，用于刻画不同 LLM 的编程行为差异
50%