AI language models may build a hidden map of the night skyمدلهای زبانی هوش مصنوعی شاید نقشهای پنهان از آسمان شب بسازند
Large language models appear to place stars and constellations on an inner sphere that mirrors the real sky. In six of seven models tested, this hidden pattern predicted a left-out object's position to within about 12–21 degrees.مدلهای زبانی بزرگ (LLM) ظاهراً ستارهها و صورتهای فلکی را روی یک کرهی درونی میچینند که آینهی آسمان واقعی است. در شش مدل از هفت مدلی که آزمایش شدند، این الگوی پنهان توانست موقعیت یک جرم کنارگذاشتهشده را با خطایی حدود 12 تا 21 درجه پیشبینی کند.
ترجمهٔ ماشینی است؛ برای دقت به متن اصلی انگلیسی مراجعه کنید.
Why it matters
Nobody gives these systems a sky chart. They learn only from text, so any built-in shape is something they organised for themselves, and finding such shapes is one of the few ways we can check what a model is really doing inside. That matters for trusting AI answers: a system with a rough inner map of a subject behaves differently from one repeating memorised text. But this is an early result, and it does not show the models use the sphere when they answer. Asked directly, they give star positions far more precisely than this sphere would allow.هیچکس نقشهی آسمان را در اختیار این سیستمها نمیگذارد؛ آنها فقط از متن یاد میگیرند، پس هر ساختار درونیای که داشته باشند چیزی است که خودشان سامان دادهاند، و پیدا کردن چنین ساختارهایی یکی از معدود راههایی است که میتوانیم بفهمیم واقعاً درون یک مدل چه میگذرد. این موضوع برای اعتماد به پاسخهای هوش مصنوعی مهم است: سیستمی که نقشهی درونیِ تقریبی از یک موضوع دارد، رفتاری متفاوت از سیستمی دارد که فقط متن حفظشده را تکرار میکند. اما این یک نتیجهی اولیه است و نشان نمیدهد مدلها هنگام پاسخدادن واقعاً از این کره استفاده میکنند. وقتی مستقیماً از آنها پرسیده میشود، موقعیت ستارهها را با دقتی بسیار بیشتر از آنچه این کره اجازه میدهد بیان میکنند.
Who's behind it: Aleksandr Berdnikov and Yevgeny Liokumovich, Independent researchers. Computing power donated by Cursor; one author supported by Principles of Intelligence.
Summary by the Lemma AI · how we grade