DSAS
一种方法无关的激活引导框架，通过动态缩放干预强度解耦"何时引导"与"如何引导"，在检测到潜在有害倾向时才施加强干预，实现对大语言模型行为的细粒度上下文敏感控制
时间轴 (近 90 天)
研究者提出了动态缩放激活引导（Dynamically Scaled Activation Steering，DSAS），是一个方法无关（method-agnostic）的引导框架，作为调度器叠加在已有引导方法之上
DSAS 的核心创新在于把'何时引导'与'如何引导'解耦，由 DSAS 动态判断何时施加干预，而引导变换的方向和形式仍沿用现有方法
DSAS 能够跨越不同层（layers）和不同输入（inputs）自适应地动态调节引导强度，输入正常时干预强度趋近于零，检测到潜在有害倾向时放大干预
DSAS 的方法无关设计使其理论上可套用在多种现有激活引导技术之上，作为即插即用的增强模块，而无需为每种引导方法单独重新设计
DSAS 内嵌的行为检测器在概念上与分类器引导（classifier guidance）存在联系，但分类器引导常见于扩散模型采样过程，而 DSAS 的检测逻辑作用于语言模型前向传播的中间层
DSAS 检测器准确性高度依赖训练数据质量与覆盖范围，检测器判断偏差可能引发'漏检'（有害内容未被抑制）或'误检'（正常内容被过度干预）两类失效模式
DSAS 作为方法论框架，其实际效果仍需在更广泛的模型和任务上验证，检测器能否准确判断何时干预将决定机制可靠性
全部知识事实 (7)
研究者提出了动态缩放激活引导（Dynamically Scaled Activation Steering，DSAS），是一个方法无关（method-agnostic）的引导框架，作为调度器叠加在已有引导方法之上
50%待验证DSAS 的核心创新在于把'何时引导'与'如何引导'解耦，由 DSAS 动态判断何时施加干预，而引导变换的方向和形式仍沿用现有方法
50%待验证DSAS 能够跨越不同层（layers）和不同输入（inputs）自适应地动态调节引导强度，输入正常时干预强度趋近于零，检测到潜在有害倾向时放大干预
50%待验证DSAS 的方法无关设计使其理论上可套用在多种现有激活引导技术之上，作为即插即用的增强模块，而无需为每种引导方法单独重新设计
50%待验证DSAS 内嵌的行为检测器在概念上与分类器引导（classifier guidance）存在联系，但分类器引导常见于扩散模型采样过程，而 DSAS 的检测逻辑作用于语言模型前向传播的中间层
50%待验证DSAS 检测器准确性高度依赖训练数据质量与覆盖范围，检测器判断偏差可能引发'漏检'（有害内容未被抑制）或'误检'（正常内容被过度干预）两类失效模式
50%待验证DSAS 作为方法论框架，其实际效果仍需在更广泛的模型和任务上验证，检测器能否准确判断何时干预将决定机制可靠性
50%