提出多token激活修补框架,发现不同拒绝 steering 方法在相同层上利用功能可互换的电路,揭示 steering 主要通过 OV 电路影响注意力机制而非 QK 电路,并据此实现 steering 向量 90% 稀疏化同时保持大部分性能。
机构:马里兰大学
来源:arXiv 2604.08524 | AI4Papers 论文推荐平台