主动适应，而非静态防御：对抗性微调中 Preventative Steering 的时间动态

大型语言模型在面对恶意微调时仍然十分脆弱，因此有必要在训练阶段防御有害的人格漂移。Preventative Steering 在微调期间注入不良特质人格向量，并在评估时将其移除，但其持久保护机制仍不明确。通过分析其时间优化动态，我们发现，该防御机制源于早期的补偿性适应阶段，随后进入修正信号逐渐衰减的稳态阶段；在参数空间中，注意力输出投影成为防御性更新的主要残差写入路径。通过 Intervention Delta Preservation（IDP）和 IDP Continuation 实验，我们进一步表明，保留或重新注入权重偏移都无法维持防护效果，这说明 Preventative Steering 依赖的是主动适应，而非静态防御。受此发现启发，我们提出 Progressive Intensity Scheduling（PIS）：从中等注入强度开始，并在静态强度引导的对齐效果开始衰减后提高注入强度。在所评估的 Qwen2.5 和 Gemma-3 模型中，相较于固定强度引导，PIS 提升了安全稳健性，同时减少了有害特质的表达。