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)