Mechanistic Indicators of Steering Effectiveness in Large Language Models
本研究通过分析大语言模型中转向效果的机制指标,探讨如何利用内部模型信号诊断转向可靠性,并提出新的评估基线以提升转向方法的性能。
2026-03-12 cs.CL
Attribute-Based Activation Steering of LLMs for Group-Specific Explanation Generation
Leibniz University Hannover(汉诺威莱布尼茨大学);L3S Research Center(L3S研究中心)
该研究针对特定群体解释生成需求,提出基于属性的LLMs激活导向方法,经实验验证其相比基线方法能更好适配目标群体并保持事实性。
2026-09-02 cs.CL
Semantics-Adaptive Activation Intervention for LLMs via Dynamic Steering Vectors
School of Informatics, University of Edinburgh(爱丁堡大学信息学院);Huawei Technologies Co., Ltd.(华为技术有限公司);School of Engineering, RMIT University(RMIT大学工程学院)
提出语义自适应动态干预(SADI),利用对比对激活差异识别关键元素,在推理时动态构建引导向量缩放激活,无需训练即可显著提升大语言模型任务性能,并具良好泛化性。
2025-02-24 cs.CL
FairSteer: Inference Time Debiasing for LLMs with Dynamic Activation Steering
Zhejiang University(浙江大学);Zhejiang Key Laboratory of Medical Imaging Artificial Intelligence(浙江省医学影像人工智能重点实验室);Zhejiang Lab(浙江实验室);ByteDance(字节跳动)
FairSteer提出一种无需重训练或定制提示的推理时去偏框架,通过检测偏见激活并计算去偏引导向量动态调整隐藏激活,在多个LLMs和任务上验证了其有效性。
2025-07-05 cs.CL
In-Distribution Steering: Balancing Control and Coherence in Language Model Generation
针对现有激活引导方法固定强度导致控制不足或文本质量下降的问题,提出分布内引导(IDS)方法,根据输入在表示空间中的分布动态调整干预强度,实现自适应干预,在分类任务上取得高准确率并保持生成文本连贯性。
2025-10-15 cs.CL
Enhancing Cross-task Transfer of Large Language Models via Activation Steering
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学耿丽人工智能学院);Department of Computer Science, National University of Singapore(新加坡国立大学计算机科学系);Ant Group(蚂蚁集团)
本文提出CAST框架,通过分析LLM潜在空间中上下文示例激活模式的一致性,利用高资源任务样本的对比表示增强激活来引导模型内部状态,无需参数更新或输入扩展即可实现跨任务迁移,在跨领域和跨语言实验中优于基线并具有更低计算成本。
2025-07-17 cs.CL
Perturbation, Not Provenance: Why Activation Steering Does Not Make a Robust Text Watermark
AIRI;Skoltech(斯科尔科沃科技学院)
该研究通过实验发现,激活引导无法构成鲁棒文本水印,其检测准确率低于KGW水印,且信号与语义无关,仅在文本降级时可被强检测。
2026-10-14 cs.CL
Controlling Large Language Model Agents with Entropic Activation Steering
Mila(米拉研究所);McGill University(麦吉尔大学);Université de Montréal(蒙特利尔大学)
研究LLM智能体探索行为的控制问题,提出表征层面的激活控制方法EAST,通过影响高级动作和调节思想不确定性来有效操纵探索,并证明控制向量的跨任务泛化性,揭示了智能体在表征空间显式编码动作不确定性。
2024-10-10 cs.CL
Adaptive Activation Steering for Efficient LLM Reasoning via Closed-Loop PID Control
Independent Researcher(独立研究者)
提出PID-steering方法,利用PID控制器根据块级冗余分类器动态调整激活引导强度,在减少推理开销的同时提升准确率。
2026-09-29 cs.CL
Steer2Edit: From Activation Steering to Component-Level Editing
Department of Computer Science(计算机科学系);Halıcıoğlu Data Science Institute, UC San Diego(哈利奇奥卢数据科学研究所,加州大学圣迭戈分校)
Steer2Edit通过将引导信号转化为可解释的参数更新,实现组件级权重编辑,提升模型的安全性、真实性和推理效率。
2026-11-10 cs.CL
Identifying and Transferring Reasoning-Critical Neurons: Improving LLM Inference Reliability via Activation Steering
Shandong University(山东大学);Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学)
本文提出AdaRAS,通过识别并引导推理关键神经元提升LLM推理可靠性,实验显示在数学和编程基准测试中取得显著改进。
2026-09-15 cs.CL
REAL: Reading Out Transformer Activations for Precise Localization in Language Model Steering
研究旨在在不改变LLM参数的情况下引导其响应,核心挑战是识别关键内部模块。提出REAL框架,通过训练VQ - AE划分潜在空间,量化模块行为相关性来指导模块选择与引导强度。实验表明该方法能有效干预,提升真实性引导效果且具零样本泛化能力。
2026-07-14 cs.CL
Cultural Value Alignment Via Latent Activation Steering in Large Language Models
University of Copenhagen(哥本哈根大学)
提出一种基于场景行为探测和潜在激活引导的框架,用于评估和干预LLMs的文化价值,发现文化价值以耦合结构编码,限制了精确对齐。
2026-05-25 cs.CL
Continuous Interpretive Steering for Scalar Diversity
Sungkyunkwan University(成均馆大学)
本文提出连续解释性引导(CIS)方法,通过激活层面的连续变量探究分级语用解释,结合新数据集GraSD验证了LLM中分级语用敏感性的存在。
2026-04-08 cs.CL
SALSA: Speech Aware LLM Adaptation via Learned Steering Activation Vectors
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Korea Advanced Institute of Science and Technology(韩国科学技术院)
提出SALSA方法,通过监督学习优化逐层引导向量,在儿童语音、多语种语音和普通话-英语代码切换基准上显著提升零样本推理和语音上下文学习性能,最高相对提升46.8%。
2026-05-30 cs.CL eess.AS
Fusion Steering: Prompt-Specific Activation Control
Johns Hopkins University(约翰霍普金斯大学)
本文提出 Fusion Steering 激活引导方法,通过在所有 transformer 层动态注入特定于提示的激活增量并结合 Optuna 优化权重,显著提升了 LLM 在 QA 任务中的事实准确性。
2025-05-28 cs.AI cs.CL
Improving Activation Steering in Language Models with Mean-Centring
King’s College London(伦敦国王学院);Imperial College London(帝国理工学院)
针对激活引导向量难以获取的问题,本文提出对目标数据集激活均值减去全部训练激活均值的均值中心化方法,并在毒性规避、故事体裁控制和功能向量提取任务中验证其显著优于基线。
2023-12-06 cs.AI cs.CL cs.LG
Beyond Linear Activation Steering: Invertible Latent Transformations for Controlling LLM Behavior
Indiana University Bloomington(印第安纳大学伯明顿分校)
提出INNSteer框架,通过可逆神经网络将LLM激活映射到潜在空间进行线性控制,再逆变换回原空间,实现非线性、输入依赖的激活引导,在多个模型和基准上优于现有方法。
2026-11-13 cs.CL cs.LG
Can Activation Steering Capture Multidimensional Authorship Style?
University of Maryland(马里兰大学)
该研究提出无需训练的A3S框架,通过结构化对比提示处理多维作者风格,在风格迁移与域外评估中表现优于基线,且样本重叠度低。
2026-09-07 cs.AI cs.CL
Interpretable Steering of Large Language Models with Feature Guided Activation Additions
Raffles Science Institute(莱佛士科学学院);Raffles Institution(莱佛士书院);Nous Research(努斯研究机构);Centre for Frontier AI Research (CFAR)(前沿人工智能研究中心);Agency for Science Technology and Research (A*STAR)(新加坡科技研究局)
本文提出特征引导激活添加方法(FGAA),通过在稀疏自编码器潜空间中优化选择特征来构建精确干预向量,在保持输出连贯性的同时优于现有方法,揭示了干预规模与模型能力的权衡。
2025-04-02 cs.AI cs.CL cs.LG
Multi-property Steering of Large Language Models with Dynamic Activation Composition
University of Milano-Bicocca(米兰-比科卡大学);University of Groningen(格罗宁根大学)
针对激活引导方法仅能单一属性调节且评估场景受限的问题,提出动态激活组合这一信息论方法调节多属性引导强度,实验证明其在保持高调节性的同时最小化对生成流畅性的影响。
2024-06-25 cs.AI cs.CL cs.LG
Mitigating Content Effects on Reasoning in Language Models through Fine-Grained Activation Steering
本文通过激活引导技术缓解语言模型的推理偏见,发现对比引导方法能有效减少内容偏见,提升形式推理准确性,且在不同任务中具有鲁棒性。
2026-04-01 cs.AI cs.CL
IDEEA: training-free Input-Dependent stEEring via Activation cluster matching
University of Waterloo(滑铁卢大学);University of British Columbia(不列颠哥伦比亚大学);Vector Institute for AI(人工智能矢量研究所);University of Texas at Austin(德克萨斯大学奥斯汀分校)
本研究针对现有无训练引导方法输入无关的局限,提出IDEEA框架,通过聚类注意力头的激活并匹配输入激活选择对应方向,在保留输入表示的同时对齐LLMs,使TruthfulQA的truth×info指标平均提升9.9%。
2026-09-03 cs.CL cs.LG
ATLAS: Verifier-Guided Adaptive Latent Activation Steering for Efficient LLM Reasoning
Indiana University Bloomington(印第安纳大学布卢明顿分校)
提出ATLAS框架,通过轻量级验证器动态调整推理时潜在状态引导策略,实现每步自适应控制,在数学和编码推理任务上提升准确率并减少测试时token使用。
2026-06-23 cs.CL cs.LG
ExpertLens: Activation steering features are highly interpretable
Apple(苹果公司)
本文提出ExpertLens方法,利用激活引导技术识别LLM中特定概念的神经元,发现其表示跨模型稳定且与人类高度一致,优于词句嵌入,为模型表示分析提供轻量级方案。
2025-11-03 cs.AI cs.CL
LocUS: Head Selection and Subspace Projection for Targeted Activation Steering
Université Côte d’Azur(蔚蓝海岸大学);Inria(法国国家信息与自动化研究所);Area Science Park(的里雅斯特科技园区);Institute of Science Technology Austria(奥地利科学技术研究所)
本文提出LocUS方法,通过选择注意力头并投影到非嵌入子空间,实现目标激活引导,在干预少量参数下达到或超越现有基线,并保持通用能力。
2026-09-28 cs.CL cs.LG
AutoLexSteer: Automatic Contrast Construction for Lexical Activation Steering
School of Computing and Information Systems, The University of Melbourne(墨尔本大学计算与信息系统学院)
AutoLexSteer提出首个全自动构建词汇引导向量的方法,利用WordNet词族实现精确的词义级引导,并能调节谄媚等行为。
2026-09-09 cs.AI cs.CL
Neural Procedural Memory: Empowering LLM Agents with Implicit Activation Steering
Institute of Automation, CAS(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学);Beijing Academy of Artificial Intelligence(北京人工智能研究院)
提出神经程序记忆(NPM),一种无训练框架,通过隐式激活引导而非显式指令表示智能体记忆,从历史对比经验中提取程序技能为激活空间中的引导向量,直接激活任务相关神经机制以指导执行。
2026-06-29 cs.AI cs.CL
Extending Activation Steering to Broad Skills and Multiple Behaviours
Utrecht University(乌得勒支大学);King’s College London(伦敦国王学院)
针对大语言模型危险能力的风险问题,研究激活引导技术在广泛技能与多种行为场景的效果,发现宽/窄技能引导效果相当,多向量合并法失效而多位置同步注入法有前景。
2024-03-09 cs.AI cs.CL cs.CY
Steering Language Models With Activation Engineering
MIRI;University of Bristol(布里斯托尔大学);Arb Research;MATS;Anthropic
为充分激发语言模型能力,研究提出激活工程及ActAdd技术,通过对比提示对激活值计算引导向量并在推理时加入,在情绪转换、去毒任务上达SOTA,且轻量易迭代。
2024-10-10 cs.CL cs.LG
A gentle push funziona benissimo: making instructed models in Italian via contrastive activation steering
University of Milano - Bicocca(米兰比可卡大学);University of Groningen(格罗宁根大学)
针对预训练数据中意大利语占比低导致模型适配需昂贵微调的问题,本研究探索激活引导技术,实验证明其可适配多模型、性能媲美甚至优于微调模型且生成质量更高,还讨论了该技术在当代LLM领域的效用。
2024-11-27 cs.CL cs.LG
Improving Instruction-Following in Language Models through Activation Steering
ETH Zürich(苏黎世联邦理工学院);Microsoft Research(微软研究院)
本文提出通过计算含与不含指令输入的激活差异得到指令特定向量,以模块化激活引导方法增强语言模型对输出约束的遵守能力,实验验证其在有无显式指令场景及跨模型迁移中的有效性,为指令遵循提供推理时细粒度控制。
2025-04-14 cs.AI cs.CL cs.LG
Guiding Giants: Lightweight Controllers for Weighted Activation Steering in LLMs
本文提出一种轻量可控网络,在推理时动态调节激活以引导LLM行为,通过加权引导策略提升拒绝有害输入的能力,实验表明其在安全基准测试中优于现有方法。
2026-03-15 cs.CL cs.LG
Investigating Bias Representations in Llama 2 Chat via Activation Steering
UC Berkeley(加州大学伯克利分校);SPAR
本研究以Llama 2 7B Chat为对象,用激活转向技术探测缓解社会偏见,发现其经RLHF后仍有性别偏见,且RLHF会提升不同偏见表征的相似性,同时为LLM红队测试策略提供了参考。
2024-02-01 cs.AI cs.CL
Persona Matters: Effects of Activation Steering on Short Answer Generation and Scoring
研究通过人格向量引导大型语言模型在教育应用中的影响,发现其在短答案生成和自动评分中效果不一,尤其在开放性英语文学任务中影响更大,且混合专家模型表现出更大的校准偏移。
2026-07-10 cs.AI cs.CL
Hallucination reduction with CASAL: Contrastive Activation Steering For Amortized Learning
Meta Superintelligence Labs(Meta超级智能实验室);New York University(纽约大学)
CASAL通过对比激活引导减少LLM幻觉,提升模型可解释性和实用性,适用于多种模型架构。
2025-12-06 cs.AI cs.CL
Trojan Activation Attack: Red-Teaming Large Language Models using Activation Steering for Safety-Alignment
Illinois Institute of Technology(伊利诺伊理工学院);Emory University(埃默里大学)
该研究提出名为TA²的木马激活攻击方法,通过向大语言模型激活层注入木马导向向量,在推理时触发以操纵模型行为,在四项对齐任务上验证了其高效低开销的特性,并探讨了对应防御方案。
2024-08-15 cs.AI cs.CL cs.CR
Steering Llama 2 via Contrastive Activation Addition
Anthropic;Harvard University(哈佛大学);University of Göttingen(哥廷根大学);Center for Human-Compatible AI(人类兼容人工智能中心)
本文提出对比激活加法(CAA),通过计算正负行为示例的残差流激活差异得到引导向量,在推理时加入激活以精确控制 Llama 2 Chat 的目标行为,并验证其有效性及可解释性。
2024-07-05 cs.AI cs.CL cs.LG
Calibrating Lightweight Sparse Autoencoder Feature Steering
Carnegie Mellon University(卡内基梅隆大学);IBM Research(IBM研究院)
本文提出ContrastiveSteer方法,通过对比特征评分和模型特定校准解决稀疏自编码器主题引导失败,显著提升对齐与分类性能,并引入污染指标检测引导状态。
2026-09-22 cs.AI cs.CL
Reflection Steering: Disentangling Reflection from Reasoning in Activation Space for Token-Efficient Inference
School of Computing and Data Science, The University of Hong Kong(香港大学计算与数据科学学院);Department of Computing, The Hong Kong Polytechnic University(香港理工大学计算学院);School of Data Science, Lingnan University(岭南大学数据科学学院);Centre for Learning, Teaching and Technology, The Education University of Hong Kong(香港教育大学学习、教学与技术中心)
本文提出无需训练的Reflection Steering框架,通过解耦反射与推理的激活实现高效令牌推理,可减少16.9%推理令牌,还引入参数α平衡令牌节省、准确率与生成稳定性。
2026-08-27 cs.CL cs.LG
Extracting Unlearned Information from LLMs with Activation Steering
Technical University of Munich(慕尼黑工业大学)
本文提出激活引导方法,结合匿名化激活引导与词频定位,证明能从已未学习的大语言模型中精确提取信息,揭示当前未学习技术的严重漏洞。
2024-11-04 cs.AI cs.CL cs.LG
Refusal Steering: Fine-grained Control over LLM Refusal Behaviour for Sensitive Topics
通过引导向量控制LLM在敏感话题上的拒绝行为,实现安全且可控的审核方法。
2026-02-24 cs.AI cs.CL
Endogenous Resistance to Activation Steering in Language Models
University of Washington(华盛顿大学)
研究发现大型语言模型在任务不匹配的激活引导下能内生抵抗,通过显式重启恢复正确生成,并识别出相关稀疏自编码器潜在变量,可增强或削弱该抵抗。
2026-07-07 cs.AI cs.CL cs.LG
FineSteer: A Unified Framework for Fine-Grained Inference-Time Steering in Large Language Models
University of California, Los Angeles(加州大学洛杉矶分校)
本文提出FineSteer框架,通过条件引导和细粒度向量合成两个阶段实现高效引导,保留模型效用并提升引导效果,实验显示其在安全性和真实性基准上表现优异。
2026-04-16 cs.AI cs.CL cs.LG
Adaptive Activation Steering: A Tuning-Free LLM Truthfulness Improvement Method for Diverse Hallucinations Categories
Peking University(北京大学);Beihang University(北京航空航天大学);University of Edinburgh(爱丁堡大学)
提出无需微调的自适应激活引导方法,通过调整LLM激活方向提升真实性,在多个模型上显著减少幻觉,并验证了其在大模型上的可扩展性。
2025-02-26 cs.AI cs.CL
Contrastive Covariance Subspaces for Activation Steering
University of Athens(雅典大学);Queen Mary University of London(伦敦大学玛丽皇后学院)
该研究提出无需训练的对比协方差引导(CCS)方法,通过投影引导向量到低维子空间消除混淆因素,在12个模型-领域设置中优于基线方法,多轮对话场景下也表现良好。
2026-10-14 cs.AI cs.CL cs.LG
SAE-StatSteer: Statistical Consensus Feature Selection for Optimization-Free Activation Steering of Large Language Models
Islamic University of Technology(伊斯兰科技大学);Systems and Software Lab (SSL)(系统与软件实验室)
研究大语言模型激活空间控制问题时,提出基于统计的稀疏特征干预方法,先经可靠性过滤,再用三个统计量排序特征,构建引导方向。在多模型、领域和配置上实验,发现该方法有特定领域转移效果,且引导受多种因素影响,强调评估应兼顾质量与行为转移。
2026-08-12 cs.AI cs.CL
DESTEIN: Navigating Detoxification of Language Models via Universal Steering Pairs and Head-wise Activation Fusion
Tongji University(同济大学)
本文提出DeStein方法,通过激活空间中的通用引导对推导去毒化向量,并以逐头方式融合原始表征,从而在低资源成本下实现大语言模型去毒化,实验证明其性能优于现有方法。
2024-08-10 cs.AI cs.CL
Steering MoE LLMs via Expert (De)Activation
University of California, Los Angeles(加州大学洛杉矶分校);Adobe Research(Adobe研究);CIS, LMU Munich(慕尼黑大学计算机学院);Munich Center for Machine Learning(慕尼黑机器学习中心)
SteerMoE通过激活或去激活特定专家,在不微调的情况下提升LLM的安全性和忠实性,同时揭示了MoE模型的潜在漏洞。
2026-02-12 cs.CL cs.LG
From Passive to Persuasive: Localized Activation Injection for Empathy and Negotiation
Centre for Trusted Internet and Community(可信互联网与社区中心);Department of Communications and New Media(通讯与新媒体系)
本文提出STAR方法,通过局部激活注入提升共情和谈判能力,实验证明其优于全局激活和指令预训练,表明复杂人际行为在LLM激活空间中以局部线性方向编码。
2026-03-17 cs.AI cs.CL
Belief Dynamics Reveal the Dual Nature of In-Context Learning and Activation Steering
本文从贝叶斯视角提出统一框架,解释LLM通过上下文学习和激活引导控制行为的双重本质,并预测其在不同干预下的行为变化。
2026-03-12 cs.AI cs.CL cs.LG
Activation Steering with Jungian Cognitive Functions
University of Glasgow(格拉斯哥大学);Leiden University(莱顿大学)
研究能否用荣格认知功能将人格表示为认知过程并控制,引入含评估协议和数据集的框架,通过实验表明可有效控制,还揭示人格信息所在层、引导向量关系等,为大语言模型人格表示提供新见解并建立研究框架。
2026-10-14 cs.AI cs.CL cs.LG
Painless Activation Steering: An Automated, Lightweight Approach for Post-Training Large Language Models
Yale University(耶鲁大学)
本文提出Painless Activation Steering,一种自动化方法,无需人工干预即可利用标注数据提升模型性能,尤其在行为任务中表现优异,但对智能任务效果有限。
2026-05-15 cs.AI cs.CL cs.LG
SAKE: Steering Activations for Knowledge Editing
EPFL(苏黎世联邦理工学院);AXA(安盛集团);TRAIL, LIP6, Sorbonne Université(TRAIL、LIP6、索邦大学);Polish Academy of Science, IBS PAN(波兰科学院、IBS PAN)
针对现有知识编辑方法上下文鲁棒性不足、无法泛化逻辑推论的问题,提出将待编辑事实建模为分布、借助最优传输调整相关分布上LLM行为的SAKE方法,实验证明其编辑鲁棒性优于现有方法。
2025-07-29 cs.AI cs.CL cs.LG