朝向可信的自然语言解释：使用大语言模型中的激活修补的研究

本研究解决了自然语言解释（NLE）的可信性问题，指出现有评估方法存在不全面和设计不当的问题。我们提出了一种新的度量指标——因果可信度，通过激活修补技术量化解释与模型输出间的因果关联一致性，实验证明经过对齐调优的模型能够生成更可信的解释，表明这一方法比现有测试更具优势。