路径分叉处：大语言模型道德推理的局部化校准控制

大语言模型在不同 setting 下常显示异质道德偏好。我们研究在保持通用能力的同时，推理时向目标伦理框架引导的方法。我们提出收敛-分叉路由（Convergent-Divergent Routing）：追踪并编辑transformer块内部伦理框架相关通路先收敛后分叉的最小分支点。在这些位置门控非目标分支可阻断下游传播而不动上游计算。我们发现仅此干预即可增强目标伦理框架的推理。为实现细粒度控制，我们把共同空间模式（Common Spatial Patterns）适配到残差流，为每个分支点层提取一对区分功利主义与义务论框架的方向。随后引入双Logit校准：一个闭式的最小L2范数更新，在该二维子空间内移动残差，使方向投影对齐用户指定的偏好权重。真实道德困境上的实验显示，该方法可靠实现偏好校准并大体保持通用能力，超越近期基线且提供可解释机制。