d318はQwen-2.5-3Bの感情ベクトルにおいてほぼ常に抑制的である：感情ベクトルのステアリング・パイプラインを構築、ポジティブなステアリングは意図した感情に関わらず単一の「保育教師」レジスタに崩壊する

低い重みのモデルでは、挙動が極端に迎合的（シカフィック）か、あるいは中立のどちらかに収束してしまい、その間の実質的な状態はないように見えます。ただ、実存主義はある程度は存在しているようでした。いくつかのヒートマップや可視化を使うと、感情同士のコサイン類似度は、期待される内容と整合的であるように見えますし、次元ごとの優勢（ドミナンス）もとても興味深いです。Qwen-2.5-3Bでは、d318はほぼ常に大きい値（最大級）になっていて、ほぼ常に抑制的です。解釈可能性の研究では面白いかもしれません。ベクトルの結合も、最大値への影響の正規化をせずに多数のベクトルをマージすると、モデルの無秩序さ（インコヒーレンス）につながるように見えます。

Anthropicの感情ベクトルに関する研究の上に、感情ベクトルの自動化パイプラインを構築しました。この新しい研究を使うことで、望ましくない挙動（例：迎合、脅迫、報酬ハッキング、不正行為）を検出し、修正することがより簡単になります。

現時点ではライブリンクはありませんが、次の1週間ほどで、オープンウェイトモデルを公開する人のために、望ましくない挙動を修正しやすくするローカルでダウンロード可能なものをたぶん公開します。アクセス可能なHF上の任意のモデルで動作します。ライブになったらツールを投稿しますので、初期バージョンの利用を希望する場合は教えてください。