论文用道德向量与推理时干预调节 LLM 的道德表征。
资讯摘要
这篇论文借助道德基础理论（MFT）刻画并操控大语言模型的细粒度道德表征。作者通过跨语言线性探测发现，道德表征在中间层共享，且中英文之间存在共享但不同的道德子空间；据此提取可操控的 Moral Vectors，并在内部与行为层面验证其有效性。论文提出推理时干预方法 Adaptive Moral Fusion（AMF），结合探测与向量注入，作者报告其能减少对良性查询的错误拒答并降低越狱成功率。
要点速读
- 论文用跨语言线性探测验证中间层道德表征的共享性，并发现中英文存在共享但不同的道德子空间。
- 作者提取可操控的 Moral Vectors，并在内部与行为层面验证其效果。
- 论文提出推理时干预方法 Adaptive Moral Fusion（AMF），作者报告其可减少良性查询的错误拒答并降低越狱成功率。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/28 08:00:17（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。