Buchumschlag

Beyond a Single Direction: Chain-of-Thought Disrupts Simple Steering of Refusal

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yang, Kia-Jüng, Meier, Dominik, Zhao, Jiachen, Ruas, Terry, Gipp, Bela
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Is my Meeting Summary Good? Estimating Quality with a Multi-LLM Evaluator
von: Kirstein, Frederic, et al.
Veröffentlicht: (2024)

What's Wrong? Refining Meeting Summaries with LLM Feedback
von: Kirstein, Frederic, et al.
Veröffentlicht: (2024)

Tell me what I need to know: Exploring LLM-based (Personalized) Abstractive Multi-Source Meeting Summarization
von: Kirstein, Frederic, et al.
Veröffentlicht: (2024)

Re-FRAME the Meeting Summarization SCOPE: Fact-Based Summarization and Personalization via Questions
von: Kirstein, Frederic, et al.
Veröffentlicht: (2025)

What's under the hood: Investigating Automatic Metrics on Meeting Summarization
von: Kirstein, Frederic, et al.
Veröffentlicht: (2024)

CADS: A Systematic Literature Review on the Challenges of Abstractive Dialogue Summarization
von: Kirstein, Frederic, et al.
Veröffentlicht: (2024)

How Large Language Models are Transforming Machine-Paraphrased Plagiarism
von: Wahle, Jan Philip, et al.
Veröffentlicht: (2022)

SPaRC: A Spatial Pathfinding Reasoning Challenge
von: Kaesberg, Lars Benedikt, et al.
Veröffentlicht: (2025)

You need to MIMIC to get FAME: Solving Meeting Transcript Scarcity with a Multi-Agent Conversations
von: Kirstein, Frederic, et al.
Veröffentlicht: (2025)

Big Tech-Funded AI Papers Have Higher Citation Impact, Greater Insularity, and Larger Recency Bias
von: Gnewuch, Max Martin, et al.
Veröffentlicht: (2025)

ALDEN: Reinforcement Learning for Active Navigation and Evidence Gathering in Long Documents
von: Yang, Tianyu, et al.
Veröffentlicht: (2025)

Multi-Agent Reasoning Improves Compute Efficiency: Pareto-Optimal Test-Time Scaling
von: Wunderlich, Florian Valentin, et al.
Veröffentlicht: (2026)

Voting or Consensus? Decision-Making in Multi-Agent Debate
von: Kaesberg, Lars Benedikt, et al.
Veröffentlicht: (2025)

Mind the Gap Between Spatial Reasoning and Acting! Step-by-Step Evaluation of Agents With Spatial-Gym
von: Kaesberg, Lars Benedikt, et al.
Veröffentlicht: (2026)

Towards Human Understanding of Paraphrase Types in Large Language Models
von: Meier, Dominik, et al.
Veröffentlicht: (2024)

Testing the Generalization of Neural Language Models for COVID-19 Misinformation Detection
von: Wahle, Jan Philip, et al.
Veröffentlicht: (2021)

From Refusal Tokens to Refusal Control: Discovering and Steering Category-Specific Refusal Directions
von: Alagharu, Rishab, et al.
Veröffentlicht: (2026)

TrojanStego: Your Language Model Can Secretly Be A Steganographic Privacy Leaking Agent
von: Meier, Dominik, et al.
Veröffentlicht: (2025)

MALLM: Multi-Agent Large Language Models Framework
von: Becker, Jonas, et al.
Veröffentlicht: (2025)

LogSigma at SemEval-2026 Task 3: Uncertainty-Weighted Multitask Learning for Dimensional Aspect-Based Sentiment Analysis
von: Hikal, Baraa, et al.
Veröffentlicht: (2026)

Activation Steering for Chain-of-Thought Compression
von: Azizi, Seyedarmin, et al.
Veröffentlicht: (2025)

Paraphrase Types for Generation and Detection
von: Wahle, Jan Philip, et al.
Veröffentlicht: (2023)

Beyond Single-Granularity Prompts: A Multi-Scale Chain-of-Thought Prompt Learning for Graph
von: Zheng, Ziyu, et al.
Veröffentlicht: (2025)

AlphaSteer: Learning Refusal Steering with Principled Null-Space Constraint
von: Sheng, Leheng, et al.
Veröffentlicht: (2025)

Refusal in Language Models Is Mediated by a Single Direction
von: Arditi, Andy, et al.
Veröffentlicht: (2024)

Refusal Steering: Fine-grained Control over LLM Refusal Behaviour for Sensitive Topics
von: García-Ferrero, Iker, et al.
Veröffentlicht: (2025)

Paraphrase Types Elicit Prompt Engineering Capabilities
von: Wahle, Jan Philip, et al.
Veröffentlicht: (2024)

Programming Refusal with Conditional Activation Steering
von: Lee, Bruce W., et al.
Veröffentlicht: (2024)

Steering to Say No: Configurable Refusal via Activation Steering in Vision Language Models
von: Yang, Jiaxi, et al.
Veröffentlicht: (2026)

RepIt: Steering Language Models with Concept-Specific Refusal Vectors
von: Siu, Vincent, et al.
Veröffentlicht: (2025)

Who Watches the Watchmen? Humans Disagree With Translation Metrics on Unseen Domains
von: Schmidt, Finn, et al.
Veröffentlicht: (2026)

Piecing Together Cross-Document Coreference Resolution Datasets: Systematic Dataset Analysis and Unification
von: Zhukova, Anastasia, et al.
Veröffentlicht: (2026)

What Drives Representation Steering? A Mechanistic Case Study on Steering Refusal
von: Cheng, Stephen, et al.
Veröffentlicht: (2026)

Text Generation: A Systematic Literature Review of Tasks, Evaluation, and Challenges
von: Becker, Jonas, et al.
Veröffentlicht: (2024)

Chain-of-Thought Hijacking
von: Zhao, Jianli, et al.
Veröffentlicht: (2025)

Decoding Answers Before Chain-of-Thought: Evidence from Pre-CoT Probes and Activation Steering
von: Cox, Kyle, et al.
Veröffentlicht: (2026)

LatentGuard: Controllable Latent Steering for Robust Refusal of Attacks and Reliable Response Generation
von: Shu, Huizhen, et al.
Veröffentlicht: (2025)

Beyond Chain-of-Thought: A Survey of Chain-of-X Paradigms for LLMs
von: Xia, Yu, et al.
Veröffentlicht: (2024)

Chain-of-Thought in Large Language Models: Decoding, Projection, and Activation
von: Yang, Hao, et al.
Veröffentlicht: (2024)

From AutoRecSys to AutoRecLab: A Call to Build, Evaluate, and Govern Autonomous Recommender-Systems Research Labs
von: Beel, Joeran, et al.
Veröffentlicht: (2025)