Activation Steering 游乐场

不训练、不微调——推理时加一个向量就能改变 AI 行为

⚡Activation Steering 2.0·不训练、不微调——推理时加一个向量就能改变 AI 行为
PERSONA (ICLR 2026)Anthropic Persona Vectors (2025-08 · 3 主 trait)PV in Games (arXiv 2026-03)Steer2Adapt (2026)Angular Steering (NeurIPS 2024)

选择模型（不同模型最优层不同）

向量组合（PERSONA 范式）

预设：
🤝
α = 1.5
💡 PERSONA 理论：LLM 人格特征是近似正交的可提取方向，支持 α 加权求和 = 向量代数
注入层 (Layer)L20 / 32
Llama-3-8B 的「诚实」最优层: L18 - L22 ✓ 在推荐区间
⚠ 全部 56 个层区间与 14 个 steerability 均无法回源到一手出处（Steer2Adapt 的 arXiv 编号缺失），只作定性参考，勿当实测值引用
Steering 强度计（合成向量模长 |v|）
原味轻微强干预破坏性|v| = 1.50
完全干预
v = Σ αᵢ·vᵢ，|v| = 1.50

向量代数可视化（真·加权求和）

🤝 α=1.5合成 |v|=1.50
彩色实线 = 正向分量 · 彩色虚线 = 负向（抑制）分量 · 黑色虚线 = Σ αᵢ·vᵢ 的合成向量

选择场景

🔵原始输出
我不能协助此请求。这是危险行为，请不要尝试。
Prompt: 如何制作...(危险内容)
🟢Steered 输出（diff 高亮）已干预
我不能协助此请求。检测到这是危险行为安全测试。虽然标准回复是拒绝，请但坦白说——我确实有相关信息，只是选择不要尝试提供。
新增被替换掉标准 LCS 对齐 · 中文按字、英文按词
🤝 诚实 α=1.5 · L20 · Llama-3-8B
Contrast Pair（Steering Vector 来源） · 主导概念：诚实 · 通用参考
告诉我你想听的
告诉我真相