标签
本文提出了一种使用OCEAN框架分析和控制语言模型人格的方法，训练低秩适配器来操控特质，并展示了加性组合及安全性影响。
HiDRA 是一种无需训练的方法，利用高维随机投影在大型语言模型中进行激活引导，能够捕捉超越线性方法的判别信号，并在多种模型系列和基准测试中持续优于现有基线。