**从早期隐藏状态预测大语言模型的可操控性**

_When is Your LLM Steerable?_

> 该研究构建了包含140万次操控生成的测试平台ASTEER，通过提取并分析生成早期隐藏状态特征，使用梯度提升决策树预测激活操控的成败（宏F1约0.7），并利用预测器指导操控强度搜索，以微小解码成本达到近最优性能。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-15 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.11599)