Die Modelle lösten Aufgabenpaare, die sich jeweils nur in einer relevanten Dimension unterschieden. Mit Attribution Patching schätzten die Forschenden, welche Neuronen zur Lösung beitrugen, und werteten die jeweils wichtigsten 0,1 Prozent aus.
Ein Clustering nach Neuronenüberlappung fand die vier vorgegebenen Bereiche wieder (Adjusted Rand Index 0,78). Sprachliche Ähnlichkeitsmaße lagen darunter; bei den Qwen-Eingabeeinbettungen betrug der Vergleichswert 0,04. Das spricht dafür, dass die Trennung nicht nur den Wortlaut der Aufgaben abbildet.
Beim Abschalten der wichtigsten Neuronen sank die Genauigkeit im selben Bereich um durchschnittlich 25,9 Prozentpunkte, in anderen Bereichen um 2,5. Die sprachliche Domäne lag bei 20,4 gegenüber unter 0,5 Punkten. Der Preprint betont, dass Attribution Patching Kausalität nur annähert; bei einer breiteren Auswahl von 0,05 auf 5 Prozent schrumpfte das Verhältnis von 5,4 auf 1,4.