本研究探讨了大语言模型的拒绝机制，揭示其复杂性与多样性。提出基于梯度的表征工程方法，识别多个独立拒绝方向和多维概念锥，为理解大语言模型的运作提供新基础。

通过表征工程可实现大模型的人类偏好对齐并精准控制行为。研究发现，对齐会使指令模型推理性能下降4%至33%，暴露其固有局限；对抗攻击下模型仍脆弱，仅靠对齐不足，需结合多模态概念。世界表示与人类相似度呈U形关系，高相似模型更鲁棒。开源模型易被引导生成有害内容，需加强缓解策略。