Skip to content
Open
Original file line number Diff line number Diff line change
Expand Up @@ -16,6 +16,8 @@
"source": [
"# PT-15 — Contrôle par interprétabilité : refusal direction, steering, unlearning\n",
"\n",
"> **Approfondissements** : [→ PT-15b — Géométrie des features SAE](PT_15b_geometrie_features_sae.ipynb) · [→ PT-15c — Crosscoder, distillation](PT_15c_crosscoder_distillation.ipynb) — deux sondes de la géométrie latente, descendues de la série ICT, dont l'organe `ict/` reste la source.\n",
"\n",
"**Position dans la série** : PT-02 (SFT) a montré *comment* on entraîne un modèle à refuser les requêtes nuisibles ; ce notebook montre **pourquoi cette couche de sécurité est fragile** — et comment l'interprétabilité mécaniste le démontre expérimentalement sur un modèle à poids ouverts (nous hébergeons Qwen : ce qui suit est exécutable par quiconque télécharge les poids).\n",
"\n",
"## Ce que ce notebook démontre\n",
Expand Down
Loading
Loading