文化对齐 steering 方法的局限与工具支持

针对大模型文化对齐的特征引导（steering）方法，开发者指出了其当前存在的局限性：该方法高度依赖为目标模型训练好的 SAE，且 steering 向量需按层和模型定制，目前难以在推理时自动匹配提示词。此外，研究团队借助 Neuronpedia 开放的可解释性工具托管了特征仪表盘，有效推进了文化偏置分析的透明化与深入研究。

2026-07-12 ~ 2026-07-12 · 2 条相关