VIAS：面向组织多价值观对齐与合规的价值观隔离激活引导

组织正日益广泛地部署必须遵循组织价值观的大语言模型智能体。我们研究激活引导能否在仅使用提示的基础上进一步提高合规性；该方法在生成过程中向模型的内部激活添加向量，而不改变模型权重。由于大多数场景同时涉及多种价值观，我们重点研究多价值观引导。构建这些向量的一种简单方法，是对比遵循场景中所有相关价值观的回答与违反这些价值观的回答。然而，这会为不同价值观生成几乎相同的向量：它们捕捉的是一般性的合规信号，而非各个价值观，从而限制了它们在组合多种价值观时的用途。我们提出 Value-Isolating Activation Steering（VIAS），对比同一场景在两种提示下生成的回答，其中一种提示列出所有相关价值观，另一种则省略一个目标价值观。只有当目标价值观的遵循情况从合规变为不合规，且两个回答在其他价值观上仍达到最低合规水平时，我们才保留该回答对。我们在职场合规数据集 PROTECT 上评估 VIAS，该数据集依据包含 21 种价值观的分类体系，为每个场景标注相关价值观。VIAS 减少了价值观向量之间的重叠，使其更适合多价值观引导，但仅凭这一点尚不能实现对每种价值观的独立控制。结合提示使用时，VIAS 使 Qwen2.5-7B、Mistral-7B 和 Phi-3.5-mini 分别在 69.6%、75.2% 和 72.6% 的场景中遵循所有标注的价值观，在三个模型上均优于仅使用提示的方法。