Badacze odkryli, że in-context learning w modelach językowych nie jest sterowany pojedynczą lokalizacją w sieci, ale raczej rozproszonymi szablonami wyjścia w wielu miejscach modelu. To odkrycie podważa wcześniejsze założenia o mechanizmach in-context learning i sugeruje, że proces jest znacznie bardziej złożony niż przypuszczano. Zrozumienie tego mechanizmu ma kluczowe znaczenie dla doskonalenia i interpretacji dużych modeli języka.