大语言模型中的拒绝是一个仿射函数

本研究针对大语言模型在拒绝时反应不一致的问题，提出了一种名为仿射概念编辑（ACE）的方法，通过直接干预激活来引导模型行为。ACE结合了仿射子空间投影和激活加法，能够稳定地控制模型在各种提示下的拒绝响应，显著提高了模型行为的可控性和一致性。