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。
来看一下具体的分类。
传统 fine-tuning 范式中的局部解释
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。 传统 fine-tuning 范式中的全局解释
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。
基于 prompting 的范式中的基础模型解释 具体方法为解释上下文学习、解释CoT提示、表征工程。
基于 prompting 的范式中的助手模型解释 助理模型通常经过两个阶段的训练：无监督预训练和有监督对齐微调。关于可解释性的研究在于确定模型知识的来源，以便更好地改进和解释其性能。 研究方法包括解释微调的作用、解释幻觉、不确定性量化。