🌳-generAItor：用于语言模型可解释性与适配的树内循环文本生成

大型语言模型（LLM）广泛应用于各种下游任务，例如自动补全、辅助写作或基于聊天的文本生成。然而，底层搜索算法考虑的输出候选者尚未得到充分探索和解释。我们通过提出一种树内循环方法来解决这一缺陷，其中光束搜索树的可视化表示是分析、解释和适应生成输出的核心组件。为了支持这些任务，我们呈现了generAItor，这是一种可视化分析技术，通过各种任务特定的小部件增强核心光束搜索树，提供有针对性的可视化和交互可能性。我们的方法允许多级交互，并提供包含生成、探索和比较输出候选者以及基于适应数据微调模型的迭代管道。我们的案例研究表明，我们的工具在超越最先进模板方法的性别偏分析中产生了新见解。此外，我们展示了该方法在定性用户研究中的适用性。最后，我们定量评估了模型对少量样本的适应性，这在文本生成用例中很常见。