核心問題
當語言模型被微調後相信 X，但預訓練時學到的是 Y——哪個會贏？更重要的是，能否在不重新訓練的情況下控制這個行為？
我們做了什麼
跨格式資料增強 Pipeline：針對 ConflictQA 和 ConflictBank，生成語義等效的問題變體，用以測試模型在換句話說和格式轉換後對知識衝突的處理能力。這對於打造不過擬合到表面形式的 Benchmark 至關重要。
Activation Steering 實驗：從 LoRA 微調模型中提取行為向量，並應用於凍結的基礎模型。行為方向的可遷移性出乎意料地強健——從 LoRA 訓練模型提取的 Steering Vector 即使不更新任何權重，也能將基礎模型的輸出推向預期方向。
關鍵發現
微調在殘差流中注入了方向性偏置，且這種偏置在某種程度上可以和任務知識分離。如果你可以不更新權重就控制行為，那你也有可能撤銷微調訊號。這對 Alignment 研究有直接意涵。