概念激活干预 / 表征工程 / Representation Engineering
Activation Steering
一种模型控制与可解释性技术，通过在前向传播中间层向残差流注入方向向量乘以系数的激活偏移，来引导模型的内部表征与生成行为。
时间轴 (近 90 天)
9月18日
当输入本身正常、不涉及需要抑制的行为时，强制的激活引导干预会拖累模型正常表现，造成性能损失
待验证50%
9月18日
激活引导方法最早由 Anthropic 等机构系统化，随后被广泛应用于减少偏见、抑制有害输出等对齐任务
待验证50%