本研究提出了一种解码大型语言模型（LLMs）神经元权重的方法，提升了模型的可解释性和安全性。研究表明，特定概念的神经元与输出概率密切相关。

文章提出目的论方法，主张从大语言模型的训练任务——互联网文本下一词预测——理解其行为。研究预测任务概率、目标输出概率和输入概率对模型准确性的影响，并用GPT-3.5和GPT-4进行十一项任务验证。结果显示，高概率输出时表现更好，低概率时明显下降，如GPT-4解码密码准确率从51%降至13%。作者建议低概率场景慎用，并将大语言模型视为受特定压力塑造的独特系统。