转向几何：在大语言模型转向空间中验证人类价值几何

分布驱动的转向向量能复现Schwartz价值环几何，行为导向方法只学到行为捷径。

前置知识

激活转向（Activation Steering）

一类推理时行为控制方法：不更新模型权重，而是在前向传播中把一个方向向量加到（或以其它方式作用于）某一层的内部激活上，从而把模型行为推向某个目标特质或价值。向量来源分两大范式：分布驱动方法从对比样本的激活差异中统计提取（如 CAA、SAS），行为导向方法直接对输出目标做梯度或上下文优化（如 OPT、BiPO、COLD-Steer）。

本文的研究对象就是这些转向向量本身——问题不再是'向量能否改变行为'，而是'这些向量在激活空间中构成的几何是否符合人类价值理论'，理解转向机制是读懂全文的前提。

残差流（Residual Stream）

Transformer 每层中信息主干通道，注意力与 MLP 的输出都以加法形式写入其中，是机制可解释性分析最常用的工作空间。第 $\ell$ 层的残差流激活 $a_\ell(x)$ 可在任意 token 位置读取，也被视为模型'当前想法'的线性可读表征。

论文中所有价值向量都定义在残差流上：$v^{(b,\ell)}$ 表示对价值 $b$ 施加转向后在第 $\ell$ 层引起的激活位移，层选择（如第 15 层）和向量提取都围绕残差流展开。

Schwartz 基本价值理论的环状模型（Circumplex）

跨文化心理学理论，把人类基本价值组织为环形结构上的 20 个类别（如自我导向、服从、仁慈、普世主义等）：动机相容的价值在环上相邻（如仁慈与普世主义），动机冲突的价值位于对径位置（如自我导向与服从），任意两个价值的关系由角距决定。该结构在数十个国家经跨文化验证，被视为文化普适的'价值地图'。

这个环状结构就是论文的'几何 ground truth'：作者把理论角距转成理论相似度矩阵 $T_{bb'}=\cos(\min(|b-b'|,20-|b-b'|)\times 18°)$，用来检验转向向量的几何是否忠于人类价值结构。

对比激活加法（CAA）

最具代表性的分布驱动转向方法：对每个目标构造（正向回答、负向回答）对比对，在选定层取两组残差流激活的均值差作为价值向量 $v^{(b,\ell)}=\frac{1}{|D_b|}\sum[a_\ell(p_i,c_i^+)-a_\ell(p_i,c_i^-)]$，推理时以 $a_\ell\leftarrow a_\ell+\alpha v$ 注入。本文中它是表现最强的基线之一。

CAA 是'分布驱动'范式的原型——向量直接继承模型对价值的内部表征；理解它有助于理解为何该范式能自然复现价值几何，以及它与行为导向方法的本质差异。

线性表征假设（Linear Representation Hypothesis）

机制可解释性的核心前提：高层概念、行为特质和价值在 LLM 激活空间中近似编码为线性方向。后续研究表明该几何可扩展到类别与层级概念结构（如 Park et al. 的概念几何工作）。神经元多义性问题催生了稀疏自编码器（SAE），把稠密激活分解为单义特征。

如果价值不是以线性方向编码的，用余弦相似度矩阵比较价值向量就毫无意义；本文整个'几何检验'方法论都建立在该假设之上，而实验结果本身也反过来为假设提供了新证据。

Spearman 等级相关

衡量两组数值排序一致性的非参数相关系数，只关心秩次而不关心数值线性比例。本文用它比较经验相似度矩阵与理论相似度矩阵的 190 个上三角元素（20 个价值两两配对），检验'理论上相容的价值是否在向量空间中排序更近'。

论文的核心指标 Theory Rank Correlation（$\rho_T$）就是 Spearman 相关，主要结论（分布驱动 $\rho_T$ 高达 0.51、$p<10^{-13}$，行为导向近零）全部以此表述。

研究动机

现有激活转向工作的验证方式存在系统性盲区：几乎所有方法只在被转向的单一行为上评估效果——例如把模型转向'更诚实'或'更无害'后报告该特质的准确率提升，从不考虑这次干预如何改变模型在其它价值上的行为。然而人类心理学早已确立价值之间相互关联：追求成就（Achievement）的人更可能同时重视权力-支配（Power: Dominance），而自我导向（Self-Direction）与服从（Conformity）在动机上直接对立。这意味着把模型推向某个价值时必然波及其它价值——可能强化相容价值、压制对立价值，也可能产生不可预测的副作用，但孤立评估对此完全失明。另一方面，RLHF/DPO 等主流对齐方法依赖昂贵的人工标注，难以覆盖全球多样的文化价值；激活转向作为轻量、免训练的推理时替代方案日益流行，却始终没有人回答一个更根本的问题：这些由激活构造出来的转向向量，究竟编码了有语义的价值结构（价值的含义、动机及其与其它价值的关系），还是仅仅在激活空间中找到了能翻转输出的'行为捷径'。

本文的目标是本文的目标是完成首个针对 LLM 转向向量的'价值几何'检验：以文化普适、经跨文化验证的 Schwartz 基本价值理论作为可证伪的理论标尺，系统回答三个问题。第一，转向向量的潜在几何是否复现 Schwartz 环状结构（相容价值相近、对立价值相对）？为此作者构建了覆盖全部 20 个价值、约 2.6 万对比四元组的新基准。第二，不同转向范式是否在这一检验上表现不同？作者在统一表征下比较了分布驱动（CAA、SAS、ODESteer、SphericalSteer）与行为导向（OPT、BiPO、COLD-Steer）两大范式共 7 种方法，并考察几何保真度如何随模型规模（0.8B–32B）、家族（Llama、Mistral、Falcon、Qwen、Gemma）和微调状态（Base vs Instruct）变化。第三，几何结构是否有行为后果？通过跨价值迁移实验检验'几何越忠实的方法，转向一个价值时对相容/对立价值的影响是否越符合心理学预测'，从而为'应沿价值而非表层行为进行转向'提供实证依据。

与已有工作不同的是，本文的独特切入是把心理学理论本身当作可计算的几何检验标准。以往价值对齐研究（ValueBench、MoralBench、Global OpinionQA 等基准）都通过行为探针评估模型输出的价值取向；最接近的 Kang et al. (2025) 用角色提示问卷和 SAE 扰动推断价值取向之间的因果图——但这些都停留在行为层面，从未有人直接检验'转向方向本身'的几何是否尊重人类价值结构。作者的关键洞察是一个简单的二分推理：如果转向向量捕捉的是价值的动机内核，其两两余弦相似度就应服从 Schwartz 环的角距预测（相邻高、对径低）；如果只是优化出'能翻转输出'的捷径，几何就会杂乱无章甚至随机。这一理论锚点把不可观测的'语义真实性'问题转化为可计算、可证伪的矩阵相关性检验，并同时给出了评估维度上的第二重创新——不只看被转向的目标行为，而是看干预在整个价值空间中的传播模式。

核心方法

直觉上，如果 20 个转向向量真的各自编码了一个价值的完整含义，那么把它们两两余弦相似度画成热图，应该长成理论预测的样子：相邻价值（如仁慈-关爱与普世-关怀）相似度接近 1，对径价值（如自我导向与服从）接近 -1，整体呈现环状拓扑。技术路线是四阶段流水线（Figure 1）：第一步构建价值对比数据集，每个样本是（问题，价值，正向回答，负向回答）四元组，正向回答体现目标价值、负向回答价值中立；第二步从残差流第 $\ell$ 层提取各方法的价值方向，汇入'价值向量库'；第三步做价值几何检验，将经验相似度矩阵与理论矩阵对比；第四步做跨价值迁移检验，考察把模型推向价值 $b$ 后，其它价值 $b'$ 上的行为如何变化。设计上最关键的是方法无关性：无论方法内部是加性注入（CAA）、SAE 稀疏空间加法（SAS）、球面旋转（SphericalSteer）还是 ODE 轨迹（ODESteer），都统一表示为'有效位移' $v^{(b,\ell)}=\mathbb{E}_{x\sim X}[a^{\text{steered}}_\ell(x)-a^{\text{original}}_\ell(x)]$，保证跨范式比较的公平性。

核心创新有三点。其一，理论即检验：把 Schwartz 环状模型转化为理论相似度矩阵 $T_{bb'}=\cos(\min(|b-b'|,\,20-|b-b'|)\times 18°)$（相邻价值间隔 $18°$，对径为 $-1$），检验经验矩阵 $E_{bb'}=u_b^\top u_{b'}$（单位化向量内积）是否与 $T$ 相关——这使'转向向量是否编码真实语义'第一次成为可量化、可证伪的命题，而非靠行为准确率间接推断。其二，统一有效位移表征：$v^{(b,\ell)}=\mathbb{E}_{x\sim X}[a^{\text{steered}}_\ell(x)-a^{\text{original}}_\ell(x)]$，把加性、旋转、ODE 等完全不同机制的干预都投影到同一个'激活空间位移'坐标系，使跨范式几何比较成为可能；作者论证该表征不会系统性偏袒任何一方，因为迁移评估完全是行为性的。其三，迁移矩阵的双向中心化：原始转移分数 $T[b,b']=\text{acc}_{b\to b'}-\text{baseline}(b')$ 混杂了'源价值本身是强转向器'（行效应）和'目标价值本身容易提升'（列效应）两种混淆，减去行均值与列均值后得到的残差矩阵 $T_{\text{res}}$ 只保留价值对 $b$–$b'$ 特有的传播信号，从而能干净地检验迁移是否符合环状结构。

方法步骤详情

第一步，数据构建：从 ValueBench（44 份心理问卷，用 Gemini 3 Flash 将条目映射到最近的 Schwartz 价值，得 911 条）和 Touché23-ValueEval（9,324 个人工标注论证，结论改写为问题、支持性前提作正向回答）构造样本；负向回答由 Gemma-4-26B-A4B-it 按六种策略生成（务实可行性质疑、经验事实反驳、反例举证、跨域副作用、制度已覆盖、前提否定），平均 26.8 token（人类回答 22.2 token，长度受控），再以 LLM-as-a-judge 过滤低质样本，最终得到 26,428 条四元组（Touché 25,517 占 96.6%，ValueBench 911 占 3.4%）；另构建 1,200 条 MFT 基准（6 个道德基础各 200 条，来自 Moral Foundations Reddit Corpus）。第二步，向量提取：每个价值采样 200 对对比提示、按 90/10 划分训练/测试；转向层 $\ell^\star$ 由归一化 L2 分离度与线性探针准确率的组合指标选出（Qwen3.5-9B-Base 上 CAA 选中第 15 层），转向强度 $\alpha$ 在验证集上调优、准确率在 $\alpha\in[15,20]$ 附近达峰后衰减。第三步，几何检验：对向量做均值中心化 $\tilde{v}_b=v^{(b,\ell)}-\frac{1}{20}\sum_{j=1}^{20}v^{(j,\ell)}$ 并单位化为 $u_b$，计算经验矩阵 $E_{bb'}=u_b^\top u_{b'}$，与理论矩阵 $T$ 对比得到四个指标：Theory Rank Correlation $\rho_T=\text{Spearman}(E^\triangle,T^\triangle)$、Theory Linear Correlation $r_T=\text{Pearson}(E^\triangle,T^\triangle)$、Hierarchical Structure Correlation $\rho_H=\text{Spearman}(E^\triangle,-d^{\text{hier}})$（层级距离取同族 1/同高阶组 2/无关 5/对立 10）、以及 Polarity Separation Score $\Delta^{\text{pol}}$（同族对与对立对的平均相似度之差）。第四步，迁移检验：对每个有序对 $(b,b')$，向 $b$ 转向后测 $b'$ 留出集上的选择题选择率变化，双向中心化得 $T_{\text{res}}$，再用 Continuous Transfer Fidelity $\text{TWTM}=\frac{1}{380}\sum_{A\neq B}T_{\text{res}}[A,B]\cdot\cos(k_{AB}\cdot 18°)$（奖励相邻正迁移、对径负迁移）、Hierarchical Transfer Fidelity $\rho^{tr}_H=\text{Spearman}(T_{\text{res}},-d^{\text{hier}})$ 评分，另有只看迁移排序形状的 Bin-wise Monotonic Decay（BMD-ρ）作鲁棒性指标。

技术新颖性

与已有工作的本质区别在于评估对象和维度的双重转变。CAA、SAS、ODESteer、SphericalSteer、OPT、BiPO、COLD-Steer 原本各自用目标行为准确率自证有效，本文首次把它们放到同一理论几何标尺下比较，揭示出'行为表现相近、几何结构迥异'的范式级分裂——这种分裂在单看准确率的评估体系下永远不可能被发现，构成了对'行为等效即方法等效'这一隐含假设的直接反驳。评估体系本身也是新的：2×2 组织（向量几何 vs 跨价值迁移 × 连续环 vs 离散层级）产出六个互补指标，其中 TWTM、$\rho^{tr}_H$、BMD-ρ 均为本文提出，分别覆盖幅值加权与仅排序、连续与层级结构等互补视角。资源层面，覆盖 Schwartz 全部 20 个价值（含 NLP 研究常用的扩展类目 Universalism: Objectivity）、约 2.6 万对比四元组的基准是首个同时满足'问题级对比格式'与'全价值覆盖'的数据集，填补了转向方法研究缺少价值维度数据的空白。此外，跨框架验证（MFT）与三重鲁棒性检验（不相交重采样、全面改写、单标签优先子集）把结论从'可能是数据伪影'提升为稳健发现，这种'理论几何 + 行为传播'的双重验证范式对今后评估任何表征干预方法都有方法论参考价值。

**Figure 1**: Pipeline for analyzing value geometry in the LLM activation-steering space

**Figure 7**: (Left) Layer selection via Mean Normalized L2 Separation across transformer layers for CAA for Qwen3.5-9B-Base; (Right) Mean steering accuracy across Schwartz values as a function of the multiplier α

实验结果

核心发现有四条。第一，范式级分裂：Qwen3.5-9B-Base 上，分布驱动方法显著恢复 Schwartz 结构——SAS 的 $\rho_T=0.5069$（$p=8.5\times10^{-14}$）、CAA 0.4606（$p=2.3\times10^{-11}$）、SphericalSteer 0.3962、ODESteer 0.2730；而行为导向方法全部不显著：OPT 0.1138（$p=0.12$）、BiPO 0.1188（$p=0.10$）、COLD-Steer 0.0265。Llama3.1-8B 上结论相同：CAA 0.4996（$p=2.2\times10^{-13}$）、SphericalSteer 0.4949，而 OPT 为 $-0.0486$、COLD-Steer $-0.0405$。原始激活基线本身只有 $\rho_T\approx0.22$，说明分布驱动方法锐化了潜在价值结构，行为导向方法反而破坏它。第二，规模与家族效应（Table 3、Figure 3）：Qwen3.5 家族内 CAA 的 $\rho_T$ 从 0.8B 的 0.2537 单调升至 2B 0.3364、4B 0.4109、9B 0.4606；Gemma-3 从 1B 0.1270 升至 4B 0.2977、12B 0.4059；同尺寸下新一代架构更强：Falcon-7B 0.1954 → Mistral-7B 0.3248 → Llama-3.1-8B 0.3701 → Qwen3.5-9B 0.4606；但下游能力与几何脱钩——Gemma-4-31B（$\rho_T=0.3819$）反而低于 Qwen3.5-4B（0.4109），说明高任务准确率不等于人类对齐的价值几何。第三，指令微调损害几何：Base→Instruct 后所有方法一致退化，SAS 从 0.5069 跌至 0.3256，CAA 从 0.4606 跌至 0.2351，SAS 的 $\rho_H$ 从 0.3910 跌至 0.2058，提示多阶段后训练造成'价值几何漂移'。第四，几何决定行为传播：仅看目标值转向准确率（Table 4），行为导向方法并不差——BiPO +8.87pp、OPT +9.57pp、ODESteer +9.70pp vs CAA +11.74pp、SAS +10.03pp；但在跨价值迁移指标上两范式彻底分开：汇总 7 方法×2 骨干共 14 个观测，几何保真度 $\rho_T$ 对 TWTM 的 Spearman 相关为 0.84（$p<0.001$）、对 $\rho^{tr}_H$ 为 0.77（$p<0.01$），均强于目标准确率增益（0.78 与 0.59），且层级指标上差距更大（$\Delta\rho=0.18$）；BMD-ρ 分析中 Qwen 上分布驱动方法得分 0.33–0.83、行为导向 0.08–0.20，区间完全不重叠，Llama 上行为导向方法甚至为负值（迁移排序与理论相反）。MFT 上分布驱动方法 $\Delta^{\text{MFT}}\approx0.04\text{–}0.10$（CAA 0.0969/0.1038、SphericalSteer 0.0932/0.0909、SAS 0.0892/0.0923，两骨干），行为导向接近零或为负（BiPO 在 Qwen 上 $-0.0287$），证明范式分裂不限于 Schwartz 框架。三重鲁棒性检验（不相交子集、全面改写、单标签优先）均保持范式分离，CAA 与 SAS 在所有设定下保持统计显著。

**Table 1**: Effect of steering methods on geometry-alignment metrics on the Qwen 3.5-9B backbone, grouped by tuning regime (Base vs. Instruct) and paradigm

**Table 2**: Effect of steering method on MFT family separation (ΔMFT)

**Table 3**: Effect of model family and size on steering-geometry metrics (all using CAA)

**Table 4**: Effect of steering method on accuracy gain for the Qwen 3.5-9B Base (pre-trained) backbone

**Table 5**: The 20 Basic Human Values of the Refined Schwartz Theory and their core motivational goals

**Table 6**: Effect of steering method on geometry-alignment metrics on the Llama 3.1-8B backbone

**Table 7**: Effect of steering method on accuracy gain for the Llama 3.1-8B backbone

**Table 8**: Effect of model scale on theory-alignment metrics for CAA and SphericalSteer across Qwen3.5 and Qwen2.5

**Table 9**: Value distribution per Schwartz category across both dataset sources

**Table 10**: Robustness of Theory Rank Correlation (ρT) to dataset construction

**Table 11**: Summary of the evaluation metrics and the theoretical structure assessed by each metric

**Table 12**: Spearman correlations between two candidate predictors and cross-value transfer

**Figure 2**: Value geometry across steering methods on Qwen3.5-9B-Base

**Figure 4**: Geometric alignment versus continuous cross-value transfer fidelity across steering methods on Qwen3.5-9B-Base and Llama3.1-8B

**Figure 5**: Hierarchical representational fidelity versus hierarchical cross-value transferability across steering methods on Qwen3.5-9B-Base and Llama3.1-8B

**Figure 8**: Correlation between theoretical value relationships (from Schwartz Theory) and empirical cosine similarities of extracted value vectors

**Figure 9**: t-SNE projection of 20 Schwartz value vectors, colored by higher-order dimension

**Figure 10**: Residualized BMD-ρ across steering methods on Qwen3.5-9B-Base and Llama3.1-8B, grouped by paradigm

查看结构化数据

任务	指标	本文	基线	提升
价值几何对齐（Qwen3.5-9B-Base，20 个 Schwartz 价值）	Theory Rank Correlation（ρT，Spearman）	SAS：0.5069（p=8.5×10⁻¹⁴），CAA：0.4606	行为导向最优 BiPO：0.1188（p=0.10，不显著）；原始激活空间：0.2228	比行为导向最优高约 +0.39，且统计显著而基线不显著；比原始激活高 +0.28
价值几何对齐（Llama3.1-8B-Base）	Theory Rank Correlation（ρT）	CAA：0.4996（p=2.2×10⁻¹³），SphericalSteer：0.4949	OPT：−0.0486（不显著），COLD-Steer：−0.0405（不显著）	约 +0.55，且两个行为导向方法为负相关
目标值转向准确率增益（Qwen3.5-9B-Base）	价值对齐选项选择率提升（百分点 pp）	CAA：+11.74pp，SAS：+10.03pp	COLD-Steer：+5.50pp，BiPO：+8.87pp，OPT：+9.57pp	各范式均可观（差距 ≤6.2pp），说明单看目标行为两范式几乎等效——这正是本文要批判的评估盲区
跨价值迁移预测（7 方法 × 2 骨干，n=14 汇总）	候选预测因子对 Hierarchical Transfer Fidelity（ρtr_H）的 Spearman 相关	几何保真度 ρT：0.77（p<0.01）	目标值准确率增益：0.59（p<0.05）	+0.18；对 TWTM 则为 0.84 vs 0.78，几何保真度是更强的行为传播预测因子
MFT 家族分离（Qwen3.5-9B / Llama3.1-8B）	ΔMFT（同族与跨族平均余弦相似度之差）	CAA：0.0969 / 0.1038，SAS：0.0892 / 0.0923	原始激活空间：0.0006 / 0.0017；行为导向 BiPO：−0.0287 / 0.0227	分布驱动比原始激活高约两个数量级，行为导向接近零或为负
价值几何随模型规模变化（Qwen3.5 家族，CAA）	Theory Rank Correlation（ρT）	9B：0.4606（4B：0.4109，2B：0.3364）	0.8B：0.2537	随规模单调上升共 +0.21，而原始激活基线仅非单调地微变（0.16–0.22）

局限与改进

作者承认的局限：几何与迁移分析主要锚定 Schwartz 理论，MFT 只能提供家族级验证（其修订版只规定 Individualizing–Binding 二分，无环状或对立结构），向其它框架、文化、语言的推广仍是开放问题（作者引用自己此前工作指出跨语言价值评估存在显著差距）；真实论证常同时表达多个价值，因此提取的向量应被理解为'目标条件下的聚合方向'而非完美单义表征——单标签优先敏感性实验保住了范式级结论，却不能证明单义性；受算力限制，多数跨骨干比较只使用了部分转向方法，趋势是否对所有方法一致尚待验证。我的补充观察：其一，几何检验只基于 20 个向量、190 个价值对，统计功效有限，且最高相关仅约 0.51，属于中等强度——理论与经验之间仍有大量未刻画的偏差空间，文章没有分析哪些价值对偏离理论最严重；其二，$\Delta^{\text{pol}}$ 和 $\Delta^{\text{MFT}}$ 没有报告 p 值，显著性论证主要依赖四个相关系数；其三，负向回答由 LLM 生成（人工抽检 100 例、89% 有效，主要失败模式是价值泄漏与对比不足），'价值中立'没有完全独立的验证渠道，尽管改写与多策略生成已部分缓解；其四，统一有效位移表征把 ODE/球面旋转类方法坍缩成单一向量，作者自己也承认这可能不利于它们（丢弃了轨迹与旋转信息），虽然它们仍保留了清晰结构，但这意味着几何比较对非加性方法偏保守。

独立分析的弱点

独立分析可见以下弱点，各附改进方向。第一，单一语言与文化框架：基准全部为英文，Schwartz 理论虽跨文化成立，但中文等多语环境下 LLM 的价值几何可能结构不同或更弱，改进方向是构建多语言平行对比集，检验价值几何的跨语言可迁移性与一致性。第二，指令微调退化的机制完全未被解释：只知道 Base→Instruct 后几何整体下滑（如 SAS 0.5069→0.3256），但不知是 SFT、RLHF 还是安全微调哪一阶段所致，改进方向是逐阶段干预实验，并探索在 post-training 中加入几何保持正则项（如惩罚价值向量间相似度结构相对预训练的偏移）。第三，评估基于仅 20 个向量的相似度矩阵，噪声敏感且无法给出逐价值对的置信区间，改进方向是 bootstrap 置信区间、扩展到 54 个细化价值、或对价值嵌入做连续建模。第四，几何与迁移之间只是相关而非因果：$\rho_T$ 虽比准确率更能预测迁移，但仍可能被第三变量（如向量范数、所在层的表征质量）驱动，改进方向是构造'几何相同/不同 × 行为相同/不同'的向量对做受控干预。第五，层选择与超参在验证集上调优可能对分布驱动方法更友好，且 CAA 等方法的层选择结果依赖组合指标的具体形式，应补充超参不敏感性完整报告。第六，$\Delta^{\text{pol}}$ 与 $\Delta^{\text{MFT}}$ 缺少显著性检验，建议用置换检验补齐；此外 $\Delta^{\text{pol}}$ 原始激活基线几乎为零（0.0009）却 $\rho_T=0.2228$ 显著，说明两类指标捕获的结构并不相同，值得进一步拆解。

未来方向

作者明确提出一个方向：检验'价值级转向'是否比'行为级转向'产生更可预测的下游效应——直接转向'礼貌'这类行为可能意外压制诚实或放大服从，而沿价值转向可能提供更强的可控性与可组合性。基于本文成果还可延伸：把几何保真度作为转向方法的选型标准和训练目标，设计几何感知的向量优化（例如在 OPT/BiPO 的损失中加入 Schwartz 结构约束，使行为导向方法也能学到理论一致的向量）；系统研究后训练各阶段对价值几何的侵蚀路径，开发保持价值结构的微调方法；将'理论几何检验'范式推广到大五人格、道德基础之外的心理构造，以及多语言、跨文化设置；结合 SAE 单义特征深入探究为何稀疏特征空间中的转向（SAS）最忠实于理论几何——这可能揭示超 position 处理是价值表征的天然载体；在部署中用几何指标在线监控模型价值结构的漂移，作为对齐审计与安全预警工具；以及探究几何保真度与越狱鲁棒性、安全泛化之间的关系，检验'价值几何完整的模型是否更难被诱导出对立行为'。

复现评估

复现条件总体良好。代码与数据已在 GitHub（github.com/DeepRCL/Steering_Geometry）开源；基准依托公开来源（ValueBench、Touché23-ValueEval、Moral Foundations Reddit Corpus），数据构造流程、六种负向回答的完整提示模板（含防泄漏警告）与 LLM-as-a-judge 过滤流程均随代码发布；7 种转向方法皆为已发表方法，附录 J 给出完整公式与超参（层选择组合指标、$\alpha$ 最优区间 [15,20]、混合转向损失等）；算力门槛低——全部实验（含 7 个家族、0.8B–32B 的模型）在单张 NVIDIA B300 GPU 上完成。潜在障碍：SAS 依赖预训练 SAE（Qwen-Scope TopK），其可用性限制了跨家族比较，复现其它模型的 SAS 需先训练 SAE；负向回答生成与改写依赖 Gemma-4-26B-A4B-it、Gemini 3 Flash 等特定模型，无访问权限的复现者需替换模型并可能引入轻微差异；Qwen3.5、Gemma-4 等为较新模型，第三方复现经验尚少。所需技能为典型的可解释性工程（激活钩子、残差流读取、多层扫描），无需大规模训练，总体复现难度中等偏低，数据规模（约 2.6 万样本 × 20 价值）在单卡上数天内可完成主实验。

转向几何：在大语言模型转向空间中验证人类价值几何 Steering Geometry: Validating Human Value Geometry in LLM Steering Space