本文评估了LLM自动生成特征归因解释的能力，研究不同方式触发自我解释的可信度，并与传统解释方法进行了比较。
Thermostat是一个集合，提供多种自然语言处理(NLP)模型的解释及其分析工具，帮助用户深入理解模型的决策过程及性能评估。
imodelsX是一个专注于自然语言处理的可解释性模型，利用大型语言模型为数据集提供自然语言解释，增强NLP任务的透明度，并支持多种提示和模型选择。
BertViz是一个用于可视化各种自然语言处理模型（如BERT、GPT2、BART等）中注意力机制的工具，提供交互式界面，用户可以探索和分析模型的注意力分布，支持自定义输入文本以查看对应的注意力模式。
用于稳健弹道预报的可解释自感知神经网络，旨在提高神经网络对分布外数据的认知不确定性估计，以适应安全关键型应用，如自动驾驶汽车。
针对特定用例、数据和查询智能适应的 RAG（Retrieval-Augmented Generation）框架，旨在提供可解释、高精度、高效的代理驱动检索工作流程。
最小 PyTorch 实现的 GPT-2 和 Llama，旨在简化代码以便更容易理解和使用，并且能够在短时间内训练出性能良好的自然语言生成系统。
Weights & Biases是一个专为机器学习开发者设计的平台，提供工具来跟踪、可视化和优化机器学习实验，简化结果再现和模型迭代的过程。
OneDiff是一个用于加速扩散模型的工具，提供了一种新的免训练、几乎无损的范式，显著提升模型的迭代速度。
该项目旨在对GPT-4-128K进行压力测试，通过简单的检索操作在不同的上下文长度下评估其准确性，适用于多种文档格式和内容。
