Интерференция руководства отражает погрешности модели, а не направления поведения

arXiv: 2609.069551v1 Annualce Type: New Abstract: Actionation Governments Modlymanagement of Language Modoles: такое поведение, как вежливость, соответствует направлению активации модели и добавляет это направление пока оно генерирует должно изменить поведение и оставить все остальное без внимания. Нет. Мы спрашиваем, что решает, какие другие поведение движутся и насколько сильно, и обнаруживаем, что это модель, а не поведение, которым управляет. Глаз расслабляет модель к небольшому набору поведения, которое она уже предпочитает, главным образом отказ, сикофизм и поэтицизм. Три результата из 24 моделей поведения и 10 моделей, адаптированных к инструкциям, подтверждают это. Каждый эффект читает полученный текст, а не как зонд. Это значение имеет: все 24 поведения линейно декодируемы, но только 20 меняет то, что пишет модель. Во-первых, направление не содержит поведенческого контента, которое соответствует реальному рулю только в siz