본 논문은 추론 시 대규모 언어 모델(LLM)의 여러 행동 특성을 제어하는 문제를 다룹니다. 기존의 선형 조정 방법은 활성화 공간에서의 가산적 행동을 가정하고 특성별 조정이 필요하다는 한계를 가지고 있습니다. 이에 본 논문에서는 은닉 활성화에 대해 단일 비선형 다중 레이블 분류기를 학습하고 추론 시 기울기를 통해 개입 방향을 계산하는 K-Steering이라는 통합적이고 유연한 접근 방식을 제시합니다. K-Steering은 선형성 가정을 피하고, 별도의 특성 벡터를 저장하고 조정할 필요가 없으며, 재훈련 없이 동적인 행동 구성을 허용합니다. 두 가지 새로운 벤치마크인 ToneBank와 DebateMix를 제안하여 구성적인 행동 제어를 평가하고, 세 가지 모델 계열에 대한 실험 결과를 통해 K-Steering이 다중 행동을 정확하게 제어하는 데 있어 강력한 기준 모델보다 우수함을 보여줍니다. 활성화 기반 분류기와 LLM 기반 판정자 모두를 통해 검증되었습니다.
