苹果研究称激活导向在指令微调模型上明显失效

苹果机器学习研究团队与庞培法布拉大学的研究者发现，激活导向方法在指令微调模型上的效果远不如在基座模型上。

激活导向（activation steering）指不改模型权重、直接干预内部激活来引导输出（如去除毒性概念）的方法。这篇发表于BlackBoxNLP 2026工作坊的论文还测出，此类高效方法常以生成流畅度大幅下降为代价；提示词和完整监督微调适合概念注入，但不擅长概念移除。

论文arXiv版本于6月10日首次提交，苹果研究页标注2026年9月发布。研究为作者自测，摘要未列出具体模型清单与样本规模，外推需谨慎。