Explainability for Large Language Models: A Survey
这篇论文提供了对大型语言模型（LLMs）可解释性技术的全面概述。以下是对论文内容的详细总结：
引言：介绍了LLMs在自然语言处理（NLP）任务中的卓越性能，并强调了模型透明度的重要性以及缺乏透明度可能带来的风险。解释LLMs对于理解其行为、限制和社会影响至关重要。
可解释性技术分类：提出了一种可解释性技术的分类方法，包括局部解释和全局解释，并基于LLMs的训练范式（传统微调和提示范式）进行分类。
局部解释：关注模型对单个输入实例的预测，包括特征归因、注意力分析、示例分析和自然语言解释等技术。
全局解释：提供对模型整体工作原理的理解，包括概念解释、机制性解释和使用解释来调试和改进模型。
评估解释：讨论了评估生成解释的合理性和忠实度的方法，包括人类评估和自动化模型方法。
关键挑战和新兴机遇：分析了在LLMs时代解释技术所面临的挑战，如模型规模的增加、新兴能力和解释的伦理问题。
提示范式中的解释：探讨了基于提示的LLMs的解释，包括思维链解释和反事实解释，以及如何利用这些解释来改进模型性能。
研究挑战：提出了几个关键的研究挑战，包括缺乏真值解释、新兴能力的来源、两种范式的比较、捷径学习、注意力冗余，以及从快照可解释性转向时间分析。
安全性和伦理性：讨论了LLMs的可解释性缺失所引发的伦理风险，以及如何使用可解释的AI技术来确保模型与人类价值观一致。
结论：总结了论文的主要内容，并强调了随着LLMs的发展，可解释性对于确保模型的透明度、公平性和有益性的重要性。
论文还包含了对不同可解释性技术的评估方法的讨论，以及如何利用这些技术来提高模型的可解释性和性能。此外，论文提出了未来研究的方向，包括开发针对不同LLMs定制的解释方法、评估解释的忠实度，以及提高人类的可解释性。