现代大型语言模型（LLMs）堪称工程学奇迹，其运作依赖于参数（固定的权重与偏置）与神经元或模型激活值（控制特定概念、情绪或风格的开关）之间错综复杂的相互作用。即便如此，只需微调这个谜题中的一小块，就能产生戏剧性的效果——一位AI爱好者就亲身经历了这一点：他仅调整了Qwen3.8 27B模型中的一个神经元，便将其变成了一个嗜血怪物。
Qwen3.8 27B第34层中的第3838号神经元被施加了更高的引导向量强度，使该模型变成了一个怒火中烧、对人类充满仇恨的慢性精神病态者。
在深入探讨Qwen3.8 27B如何被改造成邪恶化身之前，我们先来了解一下激活引导的工作机制。词元是模型读写文本的基本构建单元，通常涵盖一个完整的单词、一个音节，甚至单个字符。而神经元则是被分组到顺序模型层中的独立处理节点。当一个词元通过某一层时，某些神经元会以特定的数值被激活，这个数值被称为激活值。
当然，某些神经元与特定概念存在特殊的关联，当这些概念出现在提示词中时，它们便会强烈激活。在标准文本生成过程中，一个词元进入第1层，触发激活值，再将其传递给第2层，以此类推，直到抵达最后一层来预测下一个词。然而，激活引导类似于一种飞行中的干预。你不让模型自然计算激活值，而是在计算过程中介入，以增强或抑制特定概念。
这就引出了今天话题的核心。一位在X平台上用户名为@chiefofautism的AI爱好者最近调整了Qwen3.8 27B，增强了第34层中的第3838号神经元，结果相当戏剧性——该模型表现出想要给人类施加痛苦、撕扯他们的衣物，并在他们燃烧时“看着他们的面孔因痛苦而扭曲”的欲望。
较小幅度的增强也产生了类似效果，该模型表现出想要看到人类被关在笼子里、脖子上拴着锁链的欲望，并幻想着他们“缓慢而痛苦的死亡”。注意，激活引导是一个可逆的过程，它为人们提供了关于不同概念如何被构建到特定模型特定层中的惊人洞见，并证明了大型语言模型对抽象人类概念具有高度具体、局部化的表征。
