We use GPT-4 to automatically write explanations for the behavior of neurons in large language models and to score those explanations. We release a dataset of these (imperfect) explanations and scores for every neuron in GPT-2.
这个标题的吸引力在于“模型可以解释模型里的神经元”，把抽象的 AI 可解释性问题，转成了一个非常直观、带点科幻感的命题，容易激发点击。它适合改写成更通俗的表达，比如“AI 能看懂 AI 自己吗”“让 GPT-4 给 GPT-2 神经元写说明书”。如果借势做选题，可以突出“自动化解释”“大模型自我理解”“可解释性工具”这几个关键词。
文章的核心是：研究者用 GPT-4 自动为大语言模型中神经元的行为生成解释，并用 GPT-4 对这些解释进行评分。作者还公开了 GPT-2 中每个神经元对应的“解释”和分数数据集，但这些解释本身并不完美，说明这更像是一种探索性方法，而不是最终答案。这个选题的观点价值在于，它把“AI 可解释性”从纯人工分析推进到“模型辅助解释模型”，但同时也提示了自动解释的局限性和评估难题。
可以做成一篇短文，主题是“为什么让大模型解释自己，可能是 AI 可解释性的下一步”，重点讲方法思路和边界，而不是只讲结果。也可以做视频选题，拿“GPT-4 给 GPT-2 神经元写注释”作为开场钩子，再解释“神经元解释”到底是什么意思，避免观众只觉得概念新奇却不明白价值。若做社媒帖，适合用“AI 自己给自己打工”的类比，延展到“自动化标注、模型诊断、可解释性评估”三个方向。