文章主要内容总结本文针对大型语言模型（LLMs）的价值观对齐问题，提出了一种名为Controlled Value Vector Activation (ConVA)的框架，旨在通过直接调控模型内部的价值表征，使LLMs与人类价值观（基于Schwartz的10种基本价值观理论）保持一致，同时避免牺牲模型性能和输出流畅性。具体而言，ConVA包含两个核心部分：上下文控制的价值向量识别：通过构建上下文可控的数据集（确保正负样本仅在目标价值观上对立，其他无关上下文一致），消除传统数据集的上下文偏差，准确识别模型潜在空间中编码价值观的向量。门控价值向量激活：基于识别出的价值向量，引入门控机制判断输入是否与目标价值观相关，仅对相关输入施加最小程度的激活调控，在保证价值观一致性的同时，维持模型在无关任务上的性能。实验表明，ConVA在10种基本价值观上的控制成功率（CSR）显著高于现有方法（如ICA、CAA、SFT），且输出流畅率（FR）保持在97%以上，即使面对包含相反或恶意引导的输入，仍能稳定输出符合目标价值观的结果。创新点上下文控制的价值向量识别：通过成对生成正负样本（仅价值观对立，其他上下文一致），消除数据集的上下文偏差，首次实现了对LLMs内部价值表征的无偏解读。门控价值向量激活：扩展概念激活向量（CAV），引入门控机制和约束优化，实现对模型激活