模型能自察负向转向向量并倾向主动移除它

当允许模型自己决定是否对自身应用 steering 向量时，模型会明显更倾向移除负向转向而非随机转向，尽管它并不知道该向量的具体作用。模型也不会比基线更主动地寻求正向转向，趋避行为不对称：避害强于趋利。这是情感效价转向研究的一项发现，被引段落为该结论的原始出处。