通俗解释
直觉：模型内部的某些“方向”对应某种行为。用两组对比提示（如“爱”与“恨”）的激活差得到引导向量，推理时加到某层，就能让模型更积极、更诚实或谈论特定话题，无需微调。反过来，把“拒绝”方向从权重里投影掉（俗称 abliteration），模型就不再拒答——这也说明仅靠微调式安全对齐很容易被移除。
用在哪里：行为控制与安全研究；社区据“拒绝方向”制作去审查（abliterated）开源模型，2026-10 德国 t3n 报道了其安全风险
01原始论文
Steering Language Models With Activation Engineering
Alexander Matt Turner, Lisa Thiergart, Gavin Leech, et al. · 2023
arXiv ↗ ✓ 已核实 · arXiv API
备注：拒绝方向与“消融”：Arditi 等，Refusal in Language Models Is Mediated by a Single Direction，arXiv:2406.11717（2024-06，DataCite 核实）
02知识位置
左边先学；右边是学完它之后可以学的。
左：前置 · 右：后继 · 虚线：相关。看完整关系图 →
03学习资料
官方文档、图解、课程和参考实现，链接都核对过。
04在课程里哪里学
所在学习路线：生成式与前沿研究
给 AI 读 / 数据说明
- 核实状态：已核实，核对于 2026-10-22。
- JSON: /api/learn/algorithms.json (id:
activation-steering)