Minimally Invasive Steering of Language Models

AI 导读

论文提出MISVO方法，通过局部KL几何和Fisher信息矩阵优化语言模型干预，提升生成质量与奖励表现。

MISVO optimizes language model steering via local KL geometry and Fisher information matrix, enhancing generation quality and reward performance.

重点速览

• MISVO利用局部KL几何惩罚干预，避免输出分布剧烈变化 MISVO penalizes interventions using local KL geometry to prevent distribution shifts
• 通过Fisher二次测度量化分布敏感性，计算分析梯度 Quantifies distribution sensitivity via Fisher quadratic measure for gradient computation
• 分解KL梯度为Fisher项与后缀得分项，证明二阶收敛性 Decomposes KL gradient into Fisher term and suffix score function with second-order convergence
• 在1B-14B参数模型中实现六成任务的最高平均奖励 Achieves highest mean reward in six of seven model-task settings

一句话：MISVO提供无需参数更新的精准干预方案，显著提升模型生成质量。 / MISVO offers parameter-free intervention precision, significantly improving generation quality.

推荐理由 提供新范式提升模型可控性，适合研究者优化生成质量与任务适配性。