Ablehnung tritt downstream von Persona in Chat-Modellen auf

arXiv:2606.26161v1 Ankündigungstyp: neu Abstract: Lineare Richtungen im Aktivierungsraum wurden sowohl für Ablehnungs- als auch für Persona-Merkmale in instruction-tuned Chat-Modellen identifiziert, aber die beiden wurden als separate Mechanismen untersucht. Wir zeigen, dass sie interagieren: eine gefügige Persona kontrolliert Ablehnung. In Qwen2.5-