大模型可解释性怎么搞？(附代码)

大模型的可解释性非常重要 。随着模型越来越大，其 “黑盒子”特性会严重影响模型结果的准确性，增加对模型的优化难度，以及在医学、金融等领域带来很高的应用风险。

因此提高大模型的可解释性，不仅能优化我们的实验结果，其方法本身也是一个可发paper的创新点。

今天总结一下目前最全的大模型可解释性技术。

首先按照大模型的训练范式分类： 传统 fine-tuning 范式 和 基于 prompting 的范式 。

基于传统 fine-tuning 范式的模型解释，又可分为 局部解释 和 全局解释 。

基于 prompting 的范式， 分为 对 基础模型的解释， 和 对 助手模型的解释 。

其中每种解释还有细分内容。为了方便大家学习，我按照上面的分类， 整理了118篇可解释性的精选论文 ，有开源代码的也一并整理 。扫码免费领取。

扫码 免费获取全部论文+开源代码

局部解释是对语言模型如何针对特定输入实例进行预测的理解，对单个样本预测进行解释。

具体方法包括 特征归因 、 基于注意力机制的解释 、 基于示例的解释 、 基于自然语言的解释 。

全局解释从模型的角度出发，了解各个组件（神经元、隐藏层和更大的模块）编码的内容，为大模型的工作机制提供更高阶的解释。

全局解释有三种主要方法： 分析模型表征和参数的探测法 、 确定模型输入响应的神经元激活分析 ，以及 基于概念的方法 。

这些方法旨在理解模型的组件所编码的知识/语言属性，并解释每个组件所学习的内容。

全部118篇可解释性的精选论文，扫码免费下载。

扫码 免费获取全部论文+开源代码