XAI meets LLMs: A Survey of the Relation between Explainable AI and Large Language Models

在这项调查中，我们探讨了大型语言模型（LLM）研究中的关键挑战，重点关注可解释性的重要性。在人工智能和商业领域越来越受到关注的推动下，我们强调了LLM需要透明度的需求。我们研究了当前LLM研究和可解释人工智能（XAI）中的双重路径：通过XAI提高性能和对模型可解释性的新兴关注。我们的论文主张采取平衡的方法，将可解释性与功能进步同等重视。鉴于LLM研究的快速发展，我们的调查包括同行评审和预印本（arXiv）论文，全面概述了XAI在LLM研究中的作用。最后，我们敦促研究界共同推动LLM和XAI领域的发展。

本文旨在探讨大型语言模型（LLM）研究中的关键挑战，特别是可解释性的重要性。文章强调了AI和商业领域对透明度的需求。作者分析了当前LLM研究中的双重路径和可解释人工智能（XAI）：通过XAI提高性能和对模型可解释性的新兴关注点。文章主张采取平衡的方法，将可解释性与功能性的进步同等重视。文章包括同行评审和预印本（arXiv）论文，提供了XAI在LLM研究中的综合概述。最后，作者敦促研究界共同推进LLM和XAI领域的发展。

本文主张在LLM研究中采取平衡的方法，将可解释性与功能性的进步同等重视。同时，文章提供了XAI在LLM研究中的综合概述。

本文强调了LLM研究中可解释性的重要性，并提供了XAI在LLM研究中的综合概述。文章还包括同行评审和预印本论文，提供了对LLM和XAI领域的全面了解。

最近的相关研究包括：1）"Towards Transparent AI Systems: Interpreting Visual Question Answering Models"，2）"A Survey on Explainable Artificial Intelligence (XAI): Towards Medical XAI"，3）"A survey on methods and theories of explainable artificial intelligence (XAI)"等。