对比激活添加（CAA）能引导多远？模型行为与能力前沿研究

一项研究针对对比激活添加（CAA）构建了行为-能力前沿，评估激活引导在限制能力损失下的可用边界。在 4 个指令微调模型与 7 种行为的评测中，行为效果泛化表现达 $\rho = 0.945$，联合存活率在 1% 和 3% 能力损失预算下分别为 37.5% 与 72.7%。评测显示满足基准保护的干预仍可能损伤未测试能力，激活引导受模型与层级等多重约束。