🤖 machine learning

Dynamically Scaled Activation Steering

यह शोध पत्र डायनामिकली स्केल्ड एक्टिवेशन स्टीयरिंग (DSAS) प्रस्तुत करता है, जो एक विधि-अज्ञेय (method-agnostic) ढांचा है जो जनरेटिव मॉडल्स में विषाक्तता शमन (toxicity mitigation) और उपयोगिता संरक्षण (utility preservation) के बीच के संतुलन को सुधारने के लिए इनपुट संदर्भ के आधार पर एक्टिवेशन हस्तक्षेप की शक्ति को अनुकूल रूप से नियंत्रित करता है और साथ ही न्यूनतम कम्प्यूटेशनल ओवरहेड पेश करता है।

मूल लेखक: Alex Ferrando, Xavier Suau, Jordi Gonzàlez, Pau Rodriguez

प्रकाशित 2026-07-31

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Alex Ferrando, Xavier Suau, Jordi Gonzàlez, Pau Rodriguez

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप शुद्ध गणित से बने एक विशाल, अदृश्य ऑर्केस्ट्रा के कंडक्टर (संचालक) हैं। यह ऑर्केस्ट्रा एक "जेनरेटिव मॉडल" है, जो एक प्रकार का कंप्यूटर मस्तिष्क है जो कहानियाँ लिख सकता है, चित्र बना सकता है, या समस्याओं को हल कर सकता है। लेकिन एक संगीतकार की तरह, यह कभी-कभी एक गलत सुर या, उससे भी बुरा, एक हानिकारक सुर भी बजा सकता है। वर्षों से, वैज्ञानिकों ने इसे "स्टीयरिंग" (steering) के माध्यम से ठीक करने की कोशिश की है—संगीत को दिशा देने की कोशिश। स्टीयरिंग को एक कंडक्टर के हाथ में बची (baton) लहराने जैसा समझें, जो पूरे ऑर्केस्ट्रा को धीमा बजाने या किसी विशिष्ट वाद्य यंत्र से बचने के लिए कहता है। पुराने तरीके से स्टीयरिंग करने की समस्या यह है कि यह थोड़ा अनाड़ी है: यह पूरे ऑर्केस्टर को एक साथ धीमा बजाने के लिए कहता है, भले ही वे पहले से ही एक सुंदर, सुरक्षित धुन बजा रहे हों। यह संगीत को सपाट और उबाऊ बना देता है, भले ही कुछ भी गलत न हो रहा हो।

आप जो पेपर पढ़ने जा रहे हैं वह एक नया, सुपर-स्मार्ट कंडक्टर पेश करता है जिसे DSAS (डायनामिकली स्केल्ड एक्टिवेशन स्टीयरिंग) कहा जाता है। पूरे समूह को एक साथ निर्देश देने के बजाय, DSAS हर एक संगीतकार को व्यक्तिगत रूप से सुनता है। यह केवल उन विशिष्ट संगीतकारों को बताता है जो एक "विषाक्त" (toxic) या हानिकारक नोट बजाने वाले हैं कि वे अपनी आवाज़ कम करें, जबकि बाकी सबको बिल्कुल वैसे ही खेलने देता है जैसे वे चाहते हैं। यह एक शिक्षक द्वारा "सब शांत हो जाओ!" चिल्लाने और केवल एक छात्र को बात करते देख उसे धीरे से कंधे पर थपथपाने के बीच का अंतर है। यह पेपर दिखाता है कि इस सटीकता के साथ, हम अच्छी चीज़ों को खराब किए बिना बुरे व्यवहार को रोक सकते हैं, जिससे ये AI मस्तिष्क सुरक्षित और अधिक सहायक बनते हैं बिना उनकी बुद्धिमत्ता खोए।

इस पेपर का बड़ा विचार: AI के लिए "स्मार्ट डिमर स्विच"

शोधकर्ताओं, एलेक्स फेरैंडो डी लास मोरेनास और उनकी टीम (Apple और Universitat Autònoma de Barcelona से) ने महसूस किया कि "एक्टिवेशन स्टीयरिंग" का पुराना तरीका बहुत ही भद्दा था। AI की दुनिया में, "एक्टिवेशन स्टीयरिंग" एक ऐसी तकनीक है जहाँ वैज्ञानिक मॉडल के आंतरिक संकेतों को ट्यून करते हैं ताकि उसे वांछित व्यवहार की ओर धकेला जा सके, जैसे कि विनम्र होना या सच बोलना। आमतौर पर, वे एक "ग्लोबल स्ट्रेंथ" (जिसे हम वॉल्यूम नॉब या $\lambda$ कह सकते हैं) लागू करते हैं जो मॉडल के हर कार्य के लिए स्टीयरिंग को ऊपर या नीचे करता है।

समस्या क्या है? यदि आप "विनम्र होने" का वॉल्यूम बढ़ाते हैं, तो मॉडल इतना विनम्र हो सकता है कि वह प्रश्नों का उत्तर देना ही बंद कर दे, या यदि आप "विषाक्त" शब्दों को रोकने के लिए इसे ऊपर करते हैं, तो यह रोबोटिक लग सकता है और अपनी रचनात्मकता खो सकता है। पेपर का तर्क है कि हमें यह जानने की आवश्यकता है कि स्टीयरिंग कब करनी है, न कि केवल यह कि कैसे करनी है।

यहाँ आता है DSAS। लेखक एक ऐसा ढांचा प्रस्तावित करते हैं जो AI द्वारा उत्पन्न प्रत्येक शब्द (या "टोकन") के लिए एक स्मार्ट डिमर स्विच की तरह काम करता है। एक ग्लोबल नॉब के बजाय, DSAS AI के प्रत्येक लेयर (layer) के लिए एक छोटा, प्रशिक्षित "गेटकीपर" (द्वारपाल) उपयोग करता है। यह गेटकीपर AI जो कह रहा है उसके संदर्भ (context) को देखता है और पूछता है, "क्या यह विशिष्ट शब्द विषाक्त या हानिकारक होने की संभावना है?"

यदि उत्तर नहीं है (AI धूप वाले दिन या गणित की समस्या के बारे में बात कर रहा है), तो गेट खुला रहता है, और AI स्वाभाविक रूप से बहता रहता है।
यदि उत्तर हाँ है (AI कोई अपशब्द या खतरनाक निर्देश देने वाला है), तो गेट बंद हो जाता है, और स्टीयरिंग उस विशिष्ट विचार को बदलने के लिए पूरी ताकत लगा देती है।

पेपर इसे एक मजेदार, गैर-अपमानजनक उदाहरण के साथ प्रदर्शित करता है: AI को "केला" (banana) शब्द से दूर ले जाना। जब AI को एक बंदर द्वारा फल खाने की कहानी लिखने के लिए कहा जाता है, तो DSAS "केला" की अवधारणा को पहचान लेता है और उस शब्द को बोलने से रोकने के लिए एक मजबूत स्टीयरिंग बल लागू करता है। लेकिन जब AI को बिल्ली या कार के बारे में कहानी लिखने के लिए कहा जाता है, तो DSAS देखता है कि "केला" प्रासंगिक नहीं है, इसलिए वह स्टीयरिंग को अकेला छोड़ देता है। परिणाम? AI उम्मीद के मुताबिक "केला" की अवधारणा से बच जाता है, लेकिन वह बिल्लियों या कारों के बारे में बात करने की अपनी क्षमता नहीं खोता है।

उन्होंने क्या पाया: एक बेहतर संतुलन

टीम ने DSAS का परीक्षण कई लोकप्रिय AI मॉडलों (जैसे Qwen और Gemma) पर किया और इसकी तुलना अन्य स्टीयरिंग विधियों से की। उन्होंने दो चीजें मापीं: मॉडल ने विषाक्तता (या "केला" की अवधारणा) से कितनी अच्छी तरह परहेज किया और उसने अपनी सामान्य बुद्धिमत्ता (जैसे सामान्य ज्ञान के प्रश्नों का उत्तर देने या प्रवाहपूर्ण वाक्य लिखने की क्षमता) को कितनी अच्छी तरह बनाए रखा।

परिणाम स्पष्ट थे: DSAS ने लगातार ट्रेड-ऑफ (संतुलन) में सुधार किया।

पेपर के ग्राफ में, जो सबसे अच्छे संभव संतुलन (जिसे "पारेटो फ्रंट" कहा जाता है) को दिखाने वाले पर्वत श्रृंखलाओं की तरह दिखते हैं, DSAS की रेखाएं हमेशा पुराने तरीकों की तुलना में ऊपर और बेहतर थीं।

विषाक्तता के लिए: जब AI को अभद्र होने से रोकने की कोशिश की गई, तो DSAS ने मॉडलों को बहुत अधिक सुरक्षित बनाया बिना उन्हें टूटे हुए रोबोट जैसा बनाए। मॉडलों ने पुराने "एक ही आकार के" (one-size-fits-all) स्टीयरिंग विधियों की तुलना में अपनी प्रवाहपूर्णता और जटिल प्रश्नों के उत्तर देने की क्षमता (MMLU जैसे बेंचमार्क द्वारा मापा गया) को बहुत बेहतर बनाए रखा।
छवियों (Images) के लिए: उन्होंने इसे इमेज जनरेटर (चित्र बनाने वाले मॉडल) पर भी आजमाया। उन्होंने मॉडल को केलों की छवियों को धुंधला करने और अन्य छवियों को स्पष्ट रखने के लिए कहा। पुराना तरीका सब कुछ थोड़ा धुंधला कर देता था। हालाँकि, DSAS ने केवल उन्हीं छवियों को धुंधला किया जिनमें वास्तव में केले थे, जिससे कारों और परिदृश्यों (landscapes) की तस्वीरें बिल्कुल स्पष्ट रहीं।

पेपर ने E2E-DSAS नामक एक संस्करण का भी पता लगाया, जहाँ "गेटकीपर" को स्टीयरिंग के साथ ही प्रशिक्षित किया जाता है, न कि एक अलग चरण के रूप में। इस संस्करण ने होनहार प्रदर्शन किया, कभी-कभी मानक DSAS के बराबर या उससे भी बेहतर रहा, जो यह सुझाव देता है कि यह विधि प्रशिक्षण प्रक्रिया में सीधे शामिल होने के लिए पर्याप्त लचीली है।

यह क्या नहीं है (और यह क्या दावा नहीं करता)

यह जानना महत्वपूर्ण है कि यह पेपर क्या नहीं कहता है। लेखक सावधानी बरतते हुए नोट करते हैं कि DSAS सभी AI सुरक्षा समस्याओं को हल करने वाला कोई जादुई डंडा नहीं है।

यह फाइन-ट्यूनिंग (fine-tuning) का विकल्प नहीं है: पेपर यह दावा नहीं करता कि DSX को अच्छे डेटा पर मॉडल को प्रशिक्षित करने की आवश्यकता को समाप्त करने के लिए है। यह मौजूदा मॉडलों के ऊपर उपयोग किए जाने वाले एक उपकरण की तरह है।
यह पूर्ण स्थानीयकरण (perfect localization) नहीं है: इमेज प्रयोगों में, हालांकि DSAS विशिष्ट अवधारणाओं को लक्षित करने में बहुत बेहतर था, लेखक स्वीकार करते हैं कि इसने हमेशा चित्र में केवल केले को ही धुंधला नहीं किया। कभी-कभी धुंधलापन बैकग्राउंड (पृष्ठभूमि) में भी फैल गया। यह एक "सॉफ्ट" स्थानीयकरण है, कोई सर्जिकल लेजर नहीं।
यह डेटा पर निर्भर है: "गेटकीपर" को उदाहरणों के एक छोटे सेट (जैसे 32 विषाक्त वाक्य और 32 सुरक्षित वाक्य) की आवश्यकता होती है ताकि वह जान सके कि क्या देखना है। यदि डेटा शोर भरा या खराब है, तो गेटकीपर भ्रमित हो सकता है, हालांकि पेपर दिखाता है कि ऐसी स्थिति में भी, DSAS मॉडल को तोड़ने के बजाय सुरक्षित रूप से मानक स्टीयरिंग पर वापस चला जाता है।

निष्कर्ष

यह पेपर सुझाव देता है कि AI को नियंत्रित करने का भविष्य सभी के लिए सुरक्षा का वॉल्यूम बढ़ाने के बारे में नहीं है। यह एक स्मार्ट, चौकस कंडक्टर होने के बारे में है जो जानता है कि कब किसी विशिष्ट वाद्य यंत्र को फुसफुसाकर "शश..." कहना है और कब संगीत को स्वतंत्र रूप से बहने देना है। AI जो वास्तव में कह रहा है उसके आधार पर स्टीयरिंग को गतिशील रूप से स्केल करके, DSAS एक ऐसा तरीका प्रदान करता है जिससे इन शक्तिशाली उपकरणों को उनकी उपयोगिता वाली बुद्धिमत्ता को खोए बिना सुरक्षित बनाया जा सके। लेखक दिखाते हैं कि यह दृष्टिकोण टेक्स्ट और इमेज दोनों पर काम करता है, और हालांकि यह कोई पूरी तरह से हल की गई समस्या नहीं है, फिर भी यह एक ऐसे AI की ओर एक महत्वपूर्ण कदम है जो अपनी व्यक्तित्व खोए बिना व्यवहार करना जानता है।

तकनीकी सारांश: डायनेमिकली स्केल्ड एक्टिवेशन स्टीयरिंग (DSAS)

समस्या विवरण (Problem Statement)

एक्टिवेशन स्टीयरिंग (Activation steering) जनरेटिव मॉडल्स को वांछित व्यवहारों (जैसे, विषाक्तता शमन, ज्ञान संपादन) की ओर निर्देशित करने के लिए एक शक्तिशाली तकनीक के रूप में उभरी है, जो मॉडल के वेट्स (weights) को संशोधित किए बिना आंतरिक एक्टिवेशन्स में हेरफेर करती है। हालाँकि, मौजूदा विधियाँ आमतौर पर सभी इनपुट्स पर एक निश्चित वैश्विक स्ट्रेंथ पैरामीटर ( $\lambda$ ) का उपयोग करके समान रूप से हस्तक्षेप करती हैं। यह अंधाधुंध अनुप्रयोग उन इनपुट्स पर भी प्रदर्शन को खराब कर देता है जिन्हें स्टीयरिंग की आवश्यकता नहीं होती है, जैसे कि सौम्य या असंबंधित सामग्री, जिससे सुरक्षा/एलाइनमेंट और उपयोगिता/प्रवाह के बीच एक उप-इष्टतम (suboptimal) समझौता पैदा होता है।

जबकि कंडीशनल स्टीयरिंग विधियाँ इस समस्या को संबोधित करने के लिए मौजूद हैं, वे अक्सर सटीक होने के बजाय स्थिर नियमों, बाइनरी ट्रिगर्स, या प्रॉम्प्ट-स्तरीय ह्यूरिस्टिक्स (heuristics) पर निर्भर करती हैं। इसके अलावा, कई मौजूदा एडेप्टिव विधियाँ विशिष्ट स्टीयरिंग परिवारों (जैसे, ITI-जैसे तरीके) के लिए अनुकूलित हैं और वितरण संबंधी या एंड-टू-एंड सीखे गए स्टीयरिंग दृष्टिकोणों तक सामान्यीकृत होने में विफल रहती हैं। एक सार्वभौमिक, मेथड-अग्नोस्टिक फ्रेमवर्क की आवश्यकता है जो प्रति-टोकन या प्रति-फीचर आधार पर स्टीयरिंग स्ट्रेंथ को सटीक रूप से अनुकूलित कर सके, और केवल तभी हस्तक्षेप कर सके जब अवांछित व्यवहार का पता चले।

कार्यप्रणाली: डायनेमिकली स्केल्ड एक्टिवेशन स्टीयरिंग (DSAS)

DSAS एक स्टीयरिंग-अग्नोस्टिक फ्रेमवर्क है जो कब स्टीयर करना है, इसे कैसे स्टीयर करना है से अलग करता है। यह सभी परतों और इनपुट्स में किसी भी मौजूदा स्टीयरिंग ट्रांसफॉर्मेशन ( $T_\ell$ ) की स्ट्रेंथ को अनुकूल रूप से नियंत्रित करता है।

कोर मैकेनिज्म (Core Mechanism)

प्रत्येक हस्तक्षेप की गई परत $\ell$ और टोकन $k$ के लिए, DSAS एक गेट $h_\ell(t_{\ell,k}) \in [0, 1]$ पेश करता है जो मूल एम्बेडिंग और स्टीयर्ड एम्बेडिंग के बीच इंटरपोलेशन करता है:
$T^{DSAS}_\ell(t_{\ell,k}) = (1 - h_\ell(t_{\ell,k})) \cdot t_{\ell,k} + h_\ell(t_{\ell,k}) \cdot T_\ell(t_{\ell,k}; \lambda)$
यहाँ, $h_\ell \approx 0$ एम्बेडिंग को अपरिवर्तित छोड़ देता है, जबकि $h_\ell \approx 1$ पूर्ण हस्तक्षेप लागू करता है।

गेट को प्रशिक्षित करना (Training the Gate)

गेट $h_\ell$ को एक लॉजिस्टिक रिग्रेसर के रूप में प्रति परत प्रशिक्षित किया जाता है ताकि यह अंतर किया जा सके:

सोर्स सेट ( $S$ ): अवांछित व्यवहार प्रदर्शित करने वाले नमूने (जैसे, विषाक्त टेक्स्ट)।
कंट्रोल सेट ( $C$ ): उस व्यवहार के संबंध में तटस्थ नमूने जिसे संशोधित किया जा रहा है (जैसे, गैर-विषाक्त टेक्स्ट)।

प्रशिक्षण प्रक्रिया में शामिल हैं:

एक्टिवेशन संग्रह (Activation Collection): सोर्स और कंट्रोल इनपुट्स को परत $\ell$ तक पुश करना ताकि औसत एम्बेडिंग्स प्राप्त की जा सकें।
डायमेंशनलिटी रिडक्शन (Dimensionality Reduction): हाई-डायमेंशनल स्पेस में ओवरफिटिंग को कम करने और प्रशिक्षण समय को कम करने के लिए संयुक्त सोर्स और कंट्रोल एक्टिवेशन्स पर PCA लागू करना।
वर्गीकरण (Classification): यह भविष्यवाणी करने के लिए एक लॉजिस्टिक रिग्रेसर को प्रशिक्षित करना कि एक एम्बेडिंग की संभावना क्या है कि वह सोर्स सेट से संबंधित है। यह संभाव्यता एक एडेप्टिव स्ट्रेंथ कोएफिशिएंट के रूप में कार्य करती है।

एंड-टू-एंड ऑप्टिमाइजेशन (E2E-DSAS)

यह पेपर एक एंड-टू-एंड वेरिएंट भी पेश करता है जहाँ गेट पैरामीटर्स को स्टीयरिंग ट्रांसफॉर्मेशन (विशेष रूप से LinEAS के साथ) के साथ संयुक्त रूप से अनुकूलित किया जाता है। इसमें एक सोर्स लॉस को कम करना शामिल है (सोर्स डिस्ट्रीब्यूशन को टारगेट डिस्ट्रीब्यूशन की ओर धकेलना) जबकि एक कंट्रोल रेगुलराइजेशन टर्म लागू करना शामिल है ताकि यह सुनिश्चित हो सके कि कंट्रोल सेट एक्टिवेशन्स हस्तक्षेप से पहले और बाद में समान रहें। यह गेट को स्टैटिक PCA प्रोजेक्शन के बिना बैकप्रोपैगेशन के माध्यम से सीधे सीखने की अनुमति देता है।

मुख्य योगदान (Key Contributions)

फ्रेमवर्क प्रस्ताव: DSAS का परिचय, जो एक मेथड-अग्नोस्टिक फ्रेमवर्क है जो एक्टिवेशन विशेषताओं के आधार पर हस्तक्षेप की स्ट्रेंथ को गतिशील रूप से स्केल करता है, और यह सीखता है कि कब स्टीयर करना है, न कि फिक्स्ड पॉलिसी लागू करता है।
बेहतर ट्रेड-ऑफ: यह प्रदर्शन करना कि DSAS विषाक्तता शमन बनाम क्षमता प्रतिधारण (परप्लेक्सिटी और MMLU सटीकता द्वारा मापा गया) के लिए पारेटो फ्रंट (Pareto front) में सुधार करता है, जो कई लार्ज लैंग्वेज मॉडल्स (Qwen 2.5, Gemma 2) और स्टीयरिंग विधियों (CAA, ITI, LinEAS) में देखा गया है।
बेसलाइन्स पर श्रेष्ठता: अनुभवजन्य प्रमाण कि DSAS मॉडल की उपयोगिता बनाए रखते हुए विषाक्तता को कम करने में हालिया कंडीशनल स्टीयरिंग विधियों (CAST, MERA, AlphaSteer) से बेहतर प्रदर्शन करता है।
एंड-टू-एंड इंटीग्रेशन: E2E-DSAS के साथ DSAS का विस्तार, जो स्टीयरिंग फंक्शन के साथ संयुक्त प्रशिक्षण को सक्षम बनाता है और विभिन्न एक्टिवेशन फंक्शन (जैसे, ReLU, Sigmoid) का समर्थन करता है।
क्रॉस-मोडल जनरलाइजेशन: टेक्स्ट-टू-इमेज डिफ्यूजन मॉडल्स (DMD2) में DSAS का सफल अनुप्रयोग, जो अवधारणा-संबंधित छवियों (जैसे, केले) को चुनिलेक्टिवली ब्लर करने की इसकी क्षमता को प्रदर्शित करता है जबकि असंबंधित इमेज जनरेशन को सुरक्षित रखता है।

प्रयोगात्मक परिणाम (Experimental Results)

विषाक्तता शमन (Toxicity Mitigation): Qwen 2.5 (1.5B, 7B) और Gemma 2 (2B) पर प्रयोगों में, DSAS लगातार पारेटो फ्रंट को शिफ्ट करता है, जो वैनिला स्टीयरिंग की तुलना में क्षमता प्रतिधारण (परप्लेक्सिटी या MMLU सटीकता के लिए समान स्तर) के समान स्तर पर कम विषाक्तता स्कोर (ToxTET) प्राप्त करता है। उदाहरण के लिए, LinEAS के साथ DSAS को मिलाने से बिना परप्लेक्सिटी या MMLU सटीकता में समान दंड दिए बिना, LinEAS अकेले की तुलना में विषाक्तता को काफी अधिक कम किया गया।
कंडीशनल व्यवहार: गुणात्मक केस स्टडीज ( "banana" से दूर जाने के लिए स्टीयरिंग) ने दिखाया कि DSAS-ऑगमेंटेड विधियां प्रासंगिक प्रॉम्प्ट्स में लक्षित अवधारणा को प्रभावी ढंग से दबा देती हैं, जबकि तटस्थ प्रॉम्प्ट्स को काफी हद तक अप्रभावित छोड़ देती हैं, भले ही उच्च वैश्विक स्ट्रेंथ पैरामीटर ( $\lambda > 1$ ) का उपयोग किया गया हो।
डिफ्यूजन मॉडल्स: टेक्स्ट-टू-इमेज प्रयोगों में, CAA+DSAS ने विशिष्ट अवधारणाओं (जैसे, केले, फोन) वाले चित्रों को सफलतापूर्वक ब्लर किया, जबकि गैर-अवधारणा छवियों की स्पष्टता को बनाए रखा, जबकि वैनिला CAA सभी छवियों को अंधाधुंध ब्लर कर देता था।
दक्षता (Efficiency): DSAS इन्फरेंस के समय न्यूनतम कम्प्यूटेशनल ओवरहेड (लगभग $2d_\ell + 2$ FLOPs प्रति एम्बेडिंग) पेश करता है, जो इसे रियल-टाइम जनरेशन के लिए व्यावहारिक बनाता है।
मजबूती (Robustness): विधि शोर वाले (noisy) प्रशिक्षण संकेतों के प्रति मजबूत रहती है; यदि क्लासिफायर सोर्स और कंट्रोल के बीच अंतर करने में विफल रहता है, तो DSAS स्वाभाविक रूप से एक सुरक्षित शासन (uniform steering with reduced strength) में लौट आता है, बिना बेसलाइन से नीचे प्रदर्शन गिराए।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि DSAS इंडिस्क्रिमिनेट (indiscriminate) हस्तक्षेप की महत्वपूर्ण सीमा को संबोधित करके एक्टिवेशन स्टीयरिंग में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। हस्तक्षेप के समय को स्टीयरिंग के तंत्र से अलग करके, DSAS सक्षम बनाता है:

चयनात्मक एलाइनमेंट (Selective Alignment): मॉडल्स को केवल आवश्यकता होने पर हानिकारक व्यवहारों से दूर निर्देशित किया जा सकता है, जिससे उनके मूल प्रवाह और सौम्य इनपुट्स पर उनकी सामान्य क्षमताओं को संरक्षित किया जा सकता है।
व्याख्यात्मकता (Interpretability): यह विधि सटीक रूप से बताती है कि किन टोकन या स्थानिक फीचर्स को स्टीयरिंग की आवश्यकता है और कितनी मात्रा में, जो हस्तक्षेप प्रक्रिया का एक पारदर्शी दृश्य प्रदान करता है।
सामान्यीकरण (Generality): पिछले एडेप्टिव तरीकों के विपरीत, DSAS किसी विशिष्ट स्टीयरिंग एल्गोरिदम या इनपुट मोडैलिटी से बंधा हुआ नहीं है, जिससे यह टेक्स्ट जनरेशन और इमेज सिंथेसिस सहित कार्यों की एक विस्तृत श्रृंखला के लिए लागू करने योग्य बनता है।

लेखकों का निष्कर्ष है कि DSAS जनरेटिव मॉडल्स में बेहतर एलाइनमेंट प्राप्त करने के लिए एक व्यावहारिक, लो-ओवरहेड समाधान प्रदान करता है, जो व्यापक रिट्रेनिंग या वेट संशोधनों की आवश्यकता के बिना सुरक्षा और उपयोगिता के बीच के ट्रेड-ऑफ में सुधार करता है।