Activation Steering
Modelin iç aktivasyonlarına belirli yön vektörleri ekleyerek davranışını çalışma anında etkileme yöntemi.
Aktivasyon yönlendirme, yeniden eğitim yapmadan üslup, konu veya güvenlik davranışlarında kontrollü değişiklikler oluşturabilir. Etkinin katmanlar ve görevler arasında tutarlı olmaması nedeniyle sonuçlar geniş bir değerlendirme kümesiyle incelenmelidir.
Member comments