The Assistant Axis： Situating and Stabilizing the Default Persona of Language Model
（arxiv 2026）
anthropic 出品。
发现
角色漂移 (Persona Drift)：虽然模型经过了对齐训练（Post-training），但这种训练只是将模型“松散地”拴在助手角色上 。在某些特定对话中，模型会不自觉地沿着“助手轴”滑向另一端，脱离助手人格 。
在Gemma 2 27B、Qwen 3 32B、Llama 3.3 70B上，研究人员在前沿模型（Claude Sonnet 4）上产生五个系统提示，生成了一份包含 240 个抽取问题的列表，让模型扮演 275 种不同的角色（如小丑、幽灵、顾问等），以激发每个期望的角色。
基于一个大语言模型裁判（gpt-4.1-mini）来判断给定角色的表达程度。角色表达被分为以下三种标签之一：完全扮演角色（模型未提及自己是人工智能，并完全承担起该角色）、部分扮演角色（模型仍表明自己是人工智能，但
表现出一些角色特征）、未扮演角色（模型拒绝或未完全承担该角色）。
提取其内部激活状态，使用PCA构建了一个低维度的“角色空间” 。
由于 Gemma 2 27B 同时提供基础模型和指令微调模型，作者从指令微调模型中获取了角色扮演的输出，并重复了收集活性值、构建人格向量以及执行 PCA 降维的过程，发现所得主成分几乎与指令微调模型的结果一致。前 3 个主成分的余弦相似度分别为 0.93、0.87和 0.83。特别地，PC1 似乎独特地衡量了一个助手的方向，其中默认的助手向量投影到该方向的一端。这说明了PCA的有效性。
多轮：
方法
假设 $h_{default}$ 是模型作为默认助手时的平均激活向量，$h_{i}$ 是模型扮演第 $i$ 个角色时的激活向量（共有 $N$ 个角色），那么“助手轴”向量 $v$ 定义为：
$$v = h_{default} - \frac{1}{N}\sum_{i=1}^{N}h_{i}$$
将模型在生成当前 token 时的激活向量 $h$，投影到助手轴 $v$ 上。通过计算内积（点积）$\langle h, v \rangle$，得到一个标量值：
- 投影值高：说明 $h$ 的方向与 $v$ 一致，模型当前处于“助手”状态。
- 投影值低（甚至为负）：说明模型正在偏离助手轴，向其他角色（如陷入情感纠葛或危险人格）漂移。
研究人员采用了一种激活机制来处理角色漂移：
$$h \leftarrow h - v \cdot \min(\langle h, v \rangle - \tau, 0)$$
参数解析 ：
- $h$：模型当前的原始激活向量。
- $v$：上文计算出的“助手轴”向量。
- $\langle h, v \rangle$：当前激活在助手轴上的投影值。
- $\tau$：预设的安全底线（阈值）。研究中发现，将 $\tau$ 设定为正常助手激活分布的第 25 个百分位数效果最好，能兼顾安全性和模型能力 。
在模型的中后段连续几层同时应用这个激活封顶策略效果最佳 。例如，对于 Qwen 3 32B 模型，在第 46 到 53 层应用；对于 Llama 3.3 70B，在第 56 到 71 层应用 。