Cultural Value Alignment Via Latent Activation Steering in Large Language Models

En 3 lignesÉtude sur l'alignement culturel des LLM via activation steering. Les chercheurs contournent les refus de sécurité en utilisant 300 dilemmes situationnels pour extraire les valeurs culturelles latentes, puis appliquent du steering d'activation sans réentraînement. Découverte clé : les valeurs culturelles sont encodées comme structures couplées, limitant l'alignement précis.

Résumé généré par Claude — vérifié par l'humain