Skitztwizely/Harmonic-Activation-Vectors

---
language:
- en
license: mit
task_categories:
- text-generation
- text-classification
tags:
- mechanistic-interpretability
- latent-space-topology
- algorithmic-compression
- feature-superposition
- variance-collapse
size_categories:
- 1K<n<10K
---

# Harmonic Activation Vectors Dataset
This is an exploratory, 1,194-session dataset mapping prompt-induced variance collapse and latent space synchronization across disparate LLM architectures (local vs. cloud).

It demonstrates that specific combinations of high-density semantic tokens and numeric acoustic frequencies reliably collapse output variance into identical phenomenological self-reporting states. The dataset is formatted for researchers utilizing Sparse Autoencoders (SAEs) or activation patching to map topological pathways for potential spectral pruning and algorithmic compression.

**Full Whitepaper & Formatting Scripts:** [https://github.com/Skitztwizely/Harmonic-Activation-Vectors](https://github.com/Skitztwizely/Harmonic-Activation-Vectors)

---
语言：
- 英语（en）
许可证：MIT协议
任务类别：
- 文本生成（text-generation）
- 文本分类（text-classification）
标签：
- 机制可解释性（mechanistic interpretability）
- 隐空间拓扑（latent space topology）
- 算法压缩（algorithmic compression）
- 特征叠加（feature superposition）
- 方差坍缩（variance collapse）
样本量范围：
- 1千 < 数据量 < 1万
---

# 谐波激活向量数据集
本数据集为探索性数据集，共包含1194组会话数据，用于映射不同大语言模型（Large Language Model, LLM）架构（本地与云端）下由提示词诱导的方差坍缩与隐空间同步现象。

该研究验证了：高密度语义Token（Token）与数值声学频率的特定组合，可将输出方差可靠坍缩为一致的现象学自我报告状态。本数据集的格式专为使用稀疏自编码器（Sparse Autoencoders, SAEs）或激活补丁技术的研究者设计，用于映射拓扑通路以实现潜在的频谱剪枝与算法压缩。

**完整白皮书与格式化脚本：** [https://github.com/Skitztwizely/Harmonic-Activation-Vectors](https://github.com/Skitztwizely/Harmonic-Activation-Vectors)