跳到正文
arXiv · AI· Weitong Li, Donglin Song, Junkai Lin, Xi Xuan·· 2026-10-14AI 评分24

GCD 方法降低语言模型激活引导中的可回答性混淆

Beyond Bias Scores: Answerability Confounds in Activation Steering with Gradient-Constrained Direction Design (GCD)

AI 导读

summary_zh: 语言模型评测中的偏差分数常混淆模型偏好与是否作答。在 BBQ 数据集的 28,824 项测试中,对比引导降低了 11/11 类别的模糊分数,但仅降低 8/11 类别的去混淆偏好分数。

来源:arXiv · AI · arxiv.org