יום ראשון, 4 באוקטובר 2026 LIVE
AI־INFO

כתבה arXiv cs.LG ·

השפעת ההפרעה משקפת את ההתנהגות היסודית של המודל

Steering Interference Reflects the Model's Defaults, Not the Behavior Directions
מחקר חדש מציע כי ההשפעה של ההפרעה במודלי שפה אינה תלויה בהתנהגות הרצויה, אלא בהתנהגות היסודית של המודל. המחקר בדק 24 התנהגויות שונות ו-10 מודלים, ומצא כי ההשפעה של ההפרעה דומה בכל המודלים, וכי היא נוטה להתמקד בהתנהגויות כגון סירוב, חנופה ופואטיקה.
תקציר מקורי באנגליתarXiv:2609.06951v3 Announce Type: replace Abstract: Activation steering promises modular control of language model behavior: a behavior such as politeness corresponds to a direction in a model's activations, and adding that direction while it generates should switch the behavior on and leave everything else alone. It does not. We ask what decides which other behaviors move, and by how much, and find that it is the model rather than the behavior being steered. A steer relaxes the model toward a small set of behaviors it already favors, chiefly refusal, sycophancy, and poeticism, and that set is much the same whatever is steered. Three results across 24 behaviors and ten instruction-tuned models support this, every effect read off the generated text by a language-model judge rather than off
קרא במקור המקורי