SteeringSafety: Benchmarking Representation Steering in LLMs Across Safety Perspectives
SteeringSafety：针对大语言模型在多安全视角下的表征引导基准测试
机构 * University of California, Santa Cruz（加州大学圣克鲁兹分校） ； Washington University in St. Louis（华盛顿大学圣路易斯分校） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本研究推出SteeringSafety基准，测试DIM等引导方法在3款大模型的9种安全视角表现，发现方法与模型、视角的匹配影响性能，且存在多视角纠缠问题，需多安全角度评估引导方法。
Comments Accepted at ICML 2026
