本研究探讨了稀疏自编码器（SAE）在解释引导向量时的问题，发现其不适用于引导向量的输入分布，导致误导性分解，限制了有效性。

本研究提出了一种新方法SAE目标引导（SAE-TS），通过稀疏自编码器优化引导向量，减少副作用。结果表明，该方法在引导效果和一致性方面优于CAA和SAE特征引导。

本研究提出了一种新方法，通过类别特定的引导向量提升大型语言模型的安全性。该方法在保持文本质量的同时，增强了模型输出的安全性。实验结果表明，该方法在多个模型和数据集上表现优异，对未来的安全研究具有重要意义。