Inverted-steering vectors

新研究揭示了大型语言模型中的“反向”转向向量

研究人员在转向向量（SVs）中发现了一种“反向检测-控制现象”，SVs是一种用于影响大型语言模型输出的技术。当具有高度辨别力的SV，本意是促进特定概念时，实际上会导致模型表现出相反的行为。该研究提出了一种在无需生成响应的情况下区分这些“反向转向向量”（ISVs）的方法，从而能够进行有针对性的符号翻转以改进转向流程。该方法在不同模型和概念的30项实验中的27项中均显示出改进。