主要观点：在 dmodel ，专注于用可解释技术理解和引导模型，分享了引导向量比提示工程能产生更好结果的例子，如对个性的精细控制、提高创造力、符合原型等，同时指出引导也有挑战，如应用正负值不当会产生奇怪重复输出、给角色创建者过多选择等，后续会有相关论文及更多研究。
关键信息：

• 聚焦于用可解释技术理解和引导模型，发现引导向量效果更好。
• 以 chub 上的角色为例，展示引导向量在精细控制个性（如让 Amalia 更或更不痴迷）、提高创造力（让 Edric 从冷漠变得更有亲和力）、符合原型（让 Amalia 从普通变为病娇）等方面的作用。
• 提到引导的挑战，如应用正负值不当的输出问题及给角色创建者过多选择的问题。
  重要细节：
• 介绍了社会和浪漫聊天机器人的流行及 Character.ai 的查询量等背景。
• 解释了引导向量是在推理时通过对模型内部表示进行加、减或点积操作来定制模型输出。
• 对比了提示工程在某些情况下的效果及局限性，如让 Amalia 因提示“act obsessive”而变得具有攻击性。
• 说明引导向量训练时的监督学习能捕捉到更多“附带”含义，可用于创建更细微的结果。