arXivLabs新发现：训练数据粒度决定大模型参数模块化——可解码但不可分离
数据粒度跃升 0.32 → 0.58，参数模块化可解码但不可分离——细粒度数据能让你“看穿”参数，却不能让你“切开”参数。
论文核心发现：数据粒度塑造参数模块化
本项由arXivLabs支持的研究表明，大模型参数的“可解码性”与“可分离性”存在本质区别。通过控制训练数据粒度（从粗粒度文档到细粒度句子），模型内部参数对特定知识的响应模式发生变化，但参数间的耦合关系并未随粒度细化而解耦。
“可解码但不可分离”
“我们发现即使能够准确解码出与某个知识片段对应的参数群，这些参数仍然与模型其他部分紧密纠缠，无法安全移除或替换。”
—— 论文第一作者，arXivLabs研究项目负责人
行业影响：可解释性与模型编辑面临新挑战
当前大模型应用对可解释性和精准编辑的需求日益增长，本研究直接质疑了通过数据粒度调整实现细粒度参数控制的可行性。
✗
细粒度仅提升可解码性，但模块化仍是整体学习涌现的结果，无法通过数据粒度独立控制
对AI安全领域而言，这意味着依赖参数分离的“模型手术”方法（如知识卸载、偏见纠正）可能面临根本性局限，需要重新设计架构层面的模块化机制。
arXivLabs：开放协作推动基础认知突破
arXivLabs致力于为研究人员提供实验性工具，让这样的前沿探索能够快速共享和验证。我们相信基础研究是AI长期发展的基石。
—— arXivLabs团队代表，项目发言人
可复现实验代码与交互演示
作为arXiv的开放创新框架，arXivLabs不仅托管了论文，还提供了可复现的实验代码和交互式演示，使社区能直接检验数据粒度与模块化的关系，加速了该领域的集体认知迭代。