IMAGES: 2509.03518v1

dummy-attn-truthcase.png

dummy-mlp-liar-truthcount.png

dummy-mlp-liar.png

dummy-mlp-truthcase.png

head_search_v3.png

intent2dummy-liar.png

last-attn-liar.png

pareto_pretty.png

pareto_setup.png

pca_v2.png

sparse_heads_l13.png

sparse_heads_l15.png

subject2dummy-liar.png

x1.png

x10.png

x11.png

x12.png

x13.png

x14.png

x2.png

x3.png

x4.png

x5.png

x7.png

x8.png

x9.png