大型语言模型（LLMs）中的神经元表现出稀疏性，与特定任务能力相关。研究提出了神经元级微调（NeFT），提高了模型更新的精确性和计算效率，实验表明NeFT优于传统微调方法，并为神经元分析提供了新视角。此外，参数高效微调（PEFT）技术在知识学习任务中也展现出潜力，提出了数据过滤和语义距离加权策略以提升模型性能。