微调可抵消激活引导效果
研究发现，对嵌入权重编辑的模型进行监督微调，平均会消除69%的行为干预效果，但原始权重修改并未被逆转。
重要性实质性证据E2 未复现写法快讯
将行为控制直接写入大模型权重的“激活引导”技术，在后续监督微调（SFT）中可能失效。Glass等人发现，针对拒绝回答的引导在SFT后平均损失69%的效果，但在强化学习人类反馈（RLHF）下仅损失2%。
尽管行为效果消失，原始的权重编辑本身几乎未被还原（平均仅恢复0.4%）。微调更新的方向与预编辑权重模式近乎正交（余弦相似度0.071），意味着模型通过新的、不相关的权重变化恢复了原有行为，而非撤销了之前的编辑。
该研究基于5个3B至14B参数的指令微调模型，结论为：嵌入式引导不具备完全持久性，下游训练后必须重新验证行为表现。论文已被EMNLP 2026接收。