可解码但不可分离：训练数据粒度决定大语言模型的参数模块化

大语言模型是否包含领域特定的参数外壳：集中的、因果上必要的神经元群体，移除它们会选择性损害目标领域而不伤及其他领域？我们在两种领域粒度、三个模型家族（1.5B至7B参数）和八个领域中应用统一的因果方法学。在学科层面，939,008个FFN神经元中没有一个超过60%的领域选择性，因果损伤矩阵是平坦的，尽管领域身份可被线性解码且准确率超过85%。在语言与模态层面，0.65-1.14%的神经元超过60%选择性，损伤矩阵近乎完美对角（比值最高达595:1），外壳神经元集合基本不相交（IoU<0.003）。掩蔽代码选择性神经元使所有模型的数学推理准确率下降16-24个百分点；掩蔽西班牙语或中文神经元则使其降到随机水平或以下。外壳强度随规模单调增强，且外壳在空间上交错分布，其模式排除了组级选择性量化。参数外壳当且仅当训练数据在token层面模块化之处形成。