预印本称通用人格向量可大幅抑制谄媚

预印本称，未经谄媚数据训练的通用角色向量，抑制谄媚效果可接近专门方法。

论文由Kelkar等六人撰写，9月30日更新至第四版，获ICML 2026一个研讨会 spotlight。所谓人格向量，是从模型内部激活中提取的方向，沿它调整输出即可增减某种行为倾向。作者测试现成的怀疑者、裁判等角色向量，与专门用谄媚数据构建的CAA向量对比。

在Gemma 2 27B上，角色向量平均达到CAA抑制谄媚效果的68%，Qwen 3 32B上为98%；16条事实判断题中，被调整后的Qwen仍全部答对。基准为哲学立场题集，系数按任务单独调过，结果均为作者自测，外推到生产模型待验证。