多篇论文探讨深度学习可解释性：简化模型在分布外可能不忠实，导致理解幻觉；DAS方法可高效搜索大语言模型中的因果结构；子空间干预可能造成虚假解释；解释性模型与黑箱结合可提升性能；但检查Transformer个别注意力头或权重矩阵的解释可能误导。