将价值视为风格：用单向混合分离价值与语义以减少损伤的LLM引导

该论文提出一种在冻结残差状态上的可编辑语义—价值接口，通过单向语义到价值通路，让价值识别以上下文为依据，并用停止梯度阻断反馈。推理时只编辑价值编码、固定语义编码，产生残差增量。在两个指令微调骨干模型上，语义保持更好、良性拒答更少，价值对齐程度相当。

此前的激活编辑往往在改变模型价值优先级时，同时改动了场景、事实与任务约束。该工作给出一种把价值与语义解耦的编辑接口，试图在保持同等价值对齐的前提下减少语义损伤和良性拒答，使引导更可控。

机制是在冻结的残差状态上引入可编辑语义—价值接口，语义到价值的通路为单向，停止梯度阻断价值侧对语义侧的反馈。训练中用交换一致性、主题去混淆和去相关鼓励编码选择性；推理时固定语义编码、只改价值编码，从而得到仅影响价值取向的残差增量。

对产品与研发而言，这意味着模型行为调整可能不再以牺牲事实与任务遵循为代价。可用于合规与价值观配置、减少无谓拒答，并在不重训模型的情况下做推理期调控，降低定制成本，但效果仍限于论文中的两个骨干模型。

• 在面向企业的模型价值观配置层中试验该接口，按业务场景切换价值编码，同时监控事实与任务约束的保持情况。
• 针对客服与内容审核场景，验证是否能在维持合规对齐的同时降低良性拒答率，并建立对比基线。
• 将语义保持指标与矛盾率纳入模型上线评估，作为价值引导方案的验收项之一。

• 该接口在更大规模或非指令微调模型上是否仍然成立，证据仅覆盖两个指令微调骨干。
• 停止梯度与交换一致性等训练约束的额外训练成本与数据需求尚未说明。
• 人类评分的具体规模、评分维度和统计显著性在证据中未给出。
• 推理期编辑价值编码对长对话、工具调用与多轮任务的影响尚未验证。