diff-in-means

比较了Diff-in-Means和迭代零空间投影（INLP）方法在安全微调聊天模型中引导拒绝行为的效果，发现INLP反事实翻转在抑制拒绝方面与DiM方向消融相当，同时提供了更多可调性的干预手段。