2026年6月9日提交至arXiv的一篇论文（编号2606.13705）探讨了大语言模型（LLM）在长事实枚举任务中反复陷入循环重复的现象，并尝试通过编辑模型权重来修复这一故障。论文标题为《Can Editing 1 Neuron Fix Repetition Loops in LLMs?》，由Aristotelis Lazaridis等六位作者完成。
研究聚焦于Gemma 4指令微调模型系列，这些模型在应对需要列出大量事实的提示时——例如列举某电视剧的所有剧集、88个国际天文学联合会星座或151个初代宝可梦——会出现可复现的失败：要么陷入逐字重复的紧密循环，要么列表条目逐渐衰减为同一个答案。这种循环的发生率高达95%，并且对提示改写、推理引擎更换以及大多数采样参数调整都具有鲁棒性。
为了定位循环的成因，作者采用了逐层消融和逐神经元归因的方法，并通过完整生成扫描确认最强候选。他们发现循环可追溯至一小组MLP神经元（在26B-A4B混合专家模型中则为少数路由专家），并通过静态权重编辑抑制这些神经元。这些“手术”的规模可以非常小：在E2B模型中，仅需反转单个神经元的符号。有效编辑的大小随模型规模增长，但在所有情况下，循环模式都能在正常生成预算内得到解决，同时保持通用基准测试分数。
然而，权重编辑并非万能。作者还研究了更长的思考预算场景，其中两个较大模型最明显地进入“doom loop”——一种非收敛状态，模型围绕一个无法回忆的事实反复自我纠正，耗尽预算却无法给出最终答案。他们表明，同样的编辑能减少但无法消除这种残余失败。作者认为，这本质上是一个知识精度问题，而非可移除的电路问题：权重手术可以删除循环，但无法提供缺失的事实。
该研究的意义在于双重的：一方面，它提供了可行性证明，即一个具体的生成病理可以被定位至少数参数并通过编辑移除；另一方面，它清晰地划定了这种方法的边界。论文被归类为机器学习（cs.LG）和人工智能（cs.AI），全文可通过arXiv获取，DOI为10.48550/arXiv.2606.13705。