在 27B 模型里找到 26 个病娇神经元,无需微调即可改写人格

Promptmethus · x · 2026-10-28

开发者 balaena01 在 Qwen3.8-27B(GGUF)中用 logit lens 找到书写嫉妒/占有欲词汇的神经元,组合 26 个并逐一调节剂量(有的上调有的下调),不微调就让模型表现出病娇人格。对比示例显示同一句「我要去和朋友喝酒」,未导向时回答正常,开启 yandere 导向后变成强烈占有欲的反应。配套工具基于 @lyraaaa 的 neuron-exporter 思路在 llama.cpp 上重写,可浏览全层神经元、按「反派 vs 普通」等目标反向排序候选、组合多神经元配方对比测试,并把配方导出为 llama.cpp control vector,供 llama-cli/llama-server 直接使用,或烧录进 GGUF。配方对 assistant 消息读取时不施加导向,以减少能力损失;同一配方在 Saluki 27B 微调版上也有效。