提出利用 LLM 生成初期隐藏状态预测激活导向(steering)成功与否的方法,构建包含 150 个概念和 1.4M 次导向生成的测试集 ASTEER,通过提取导向几何特征训练 GBDT 分类器,在未见概念上达到约 0.7 macro-F1,并利用预测器指导导向强度搜索,显著降低计算成本。
机构:马里兰大学
来源:arXiv 2606.11599 | AI4Papers 论文推荐平台