OPIUM：通过双目标潜在优化缓解激活转向的外部效应与过度拒答

OPIUM 是一种免训练方法，通过双目标潜在优化净化大语言模型的转向向量，缓解激活转向的外部效应与过度拒答。该方法在保留目标干预下游表示的同时，让原向量失效的提示匹配更安全的参考行为，避免效用向量削弱安全行为、拒答向量造成良性提示过度拒答。在转向外部效应与过度拒答设置中，其安全-效用权衡优于普通转向和方向消融。