本文讨论了对大型语言模型 (LLM) 的可靠性和理解的担忧。 作者对当代研究表示怀疑，认为它由于相似性而淡化了以前的研究。 他们强调了新颖的贡献，例如 TopK 激活和新的评估，这些将这项工作与之前的工作区分开来。 作者强调了重视同时代作品、避免轻视复制品的重要性。 他们回应了质疑理解法学硕士操作重要性的批评，指出虽然大多数神经网络都很好理解，但 Transformer 由于其复杂性和动态性质而带来了独特的挑战。 作者承认 Transformer 真正学习的内容以及数据如何流经它们的不确定性，以及它们误解或产生幻觉信息的可能性。 该文本还涉及扩展和优化技术方面的挑战，需要大量投资和进步。 最后，作者对参与推动法学硕士和稀疏自动编码器进步的研究人员表示感谢，并认识到持续探索和改进的重要性。