neuron-interpretability

本文探讨了医疗大语言模型中的幻觉是否可以在神经元层面被检测和控制。作者发现，虽然幻觉信号在众多神经元中可被检测到（AUROC 0.77-0.86），但通过引导这些相同神经元并不容易纠正它们。