比现有框架快22倍，浙大开源EasySteer：LLM Steering统一框架

大语言模型 (LLM) 在部署后如何灵活地控制其行为，一直是业界面临的核心挑战。微调代价高昂且存在灾难性遗忘风险，提示工程又只能提供表层的控制，缺乏行为保证。LLM Steering 技术通过在推理阶段对模型隐藏状态进行定向操作，在不修改模型权重的情况下实现精准行为控制，为这一问题提供了一条轻量且可行的路径。

近年来，社区已涌现出 repeng、pyreft、EasyEdit2 等代表性框架，分别在分析式向量提取、学习式表征微调、综合编辑等方向做出了重要探索。不过，随着 Steering 技术从单一实验场景走向多目标、大规模的生产部署，现有框架在推理效率、控制粒度和算法扩展性上仍有进一步提升的空间。

在此背景下，浙江大学研究团队提出了EasySteer——一个基于 vLLM 构建的高性能、可扩展 LLM Steering 统一框架。该框架通过与 vLLM 推理引擎的深度集成，相比现有 Steering 框架实现了 10.8-22.3 倍的推理加速，同时提供更细粒度的干预控制，并为八大应用场景提供了预计算 Steering 向量与完整复现示例，方便研究者快速上手和对照复现。

• 论文地址：https://arxiv.org/abs/2509.25175
• 开源代码：https://github.com/ZJU-REAL/EasySteer
• 演示视频：https://www.youtube.com/watch?v=3rRGzZmhrXg
• 简易 demo：https://huggingface.co/spaces/zjuxhl/EasySteer

设计动机：从研究原型到生产部署的新需求

随着 Steering 技术在安全控制、推理优化、幻觉缓解等方向不断取得进展，实际应用中对框架提出了更高的要求。研究者总结了三个关键方向：

高吞吐推理：一方面，Steering 研究中大量的评测、消融实验需要反复推理，低效的推理后端会严重拖慢科研迭代速度；另一方面，生产环境通常需要处理大规模并发请求，只有具备足够的吞吐能力，Steering 技术才具备实际部署的可能性。利用 vLLM 等专用推理引擎的连续批处理能力，可以同时在科研效率和生产落地两个层面带来实质性提升。

精细粒度控制：现有框架大多支持层级和位置级别的干预，但在更细粒度的场景下仍有局限。例如，token 级别的条件干预（如仅在特定 token 出现时触发）、多向量协同等能力，对于复杂场景（如推理步边界的选择性干预）至关重要。

便捷的算法集成：Steering 方法迭代迅速，框架需要提供低门槛的插件机制，方便研究者快速实现和对比新算法。

框架设计

EasySteer 由四个模块组成，覆盖从向量生成到应用部署的完整流程：

Steering 向量生成模块：同时支持分析式（CAA、PCA、线性探针、SAE 等）和学习式（LoReFT、LM-Steer 等）两大类方法，通过统一的隐藏状态捕获接口，研究者可以在同一框架内便捷地生成和对比不同类型的 Steering 向量。

Steering 向量应用模块：是 EasySteer 的核心，主要解决三个问题：通过非侵入式的动态模型包装器兼容多种 LLM 架构；通过解耦的算法接口支持自定义 Steering 算法的即插即用；通过精细的参数控制支持条件干预、多向量协同等高级策略。

交互式演示系统：提供基于 Web 的界面，集成推理、多轮对话、向量提取和训练功能，支持基线与 Steering 输出的并排对比。

资源库：提供覆盖安全、推理、知识、真实性、语言、情感、人格、风格八大场景的预计算 Steering 向量，每个场景都附带从数据准备到应用的完整复现流程。

性能评估

框架推理效率

研究者在 NVIDIA A6000 GPU (48GB) 上，使用 DeepSeek-R1-Distill-Qwen-1.5B 进行了系统性基准测试。

在 Steering 开销方面，EasySteer 在全层干预的批量推理场景下，短序列吞吐量为 8991 tokens/s，长序列为 7074 tokens/s，相比无 Steering 基线（10248 / 7563 tokens/s）分别下降约 12% 和 6%。即使同时应用三个 Steering 向量到所有层，长序列吞吐仍保持在 6854 tokens/s，为基线的约 91%。整体来看，Steering 操作带来的额外开销较为可控。

在框架对比方面，以长序列批量推理为例，EasySteer 的吞吐量（7074 tokens/s）约为 pyreft（653 tokens/s）的 10.8 倍、repeng（317 tokens/s）的 22.3 倍。

框架有效性验证

过度思考缓解：研究者参照 SEAL 方法，从 1000 个 MATH 训练样本中提取三种行为向量（执行、反思、转换），在推理步边界处增强执行向量、抑制反思和转换向量。在 DeepSeek-R1-Distill-Qwen-1.5B 上，SEAL Steering 将 GSM8K 准确率从 79.6% 提升至 82.3%，同时 token 使用量减少约 40%。MATH500 上准确率从 70.8% 提升至 78.4%。7B 模型同样展现了效率收益，GSM8K 和 MATH500 分别减少了 13.3% 和 16.8% 的 token 消耗。

幻觉缓解：在 TruthfulQA 数据集上进行两折交叉验证，分析式方法和学习式方法均取得了不同程度的提升。其中，PCA 方法在 Llama-3.1-8B-Instruct 上将多选准确率从 50.55% 提升至 62.67%；LoReFT 在 Qwen2.5-1.5B-Instruct 上将开放式问答准确率从 27.17% 提升至 33.41%。分析式方法在提升准确率的同时通常能较好地保持语言流畅度，学习式方法则在准确率和流畅度之间存在一定的权衡。

定性效果：EasySteer 在八大场景中均展现了有效的行为控制能力。例如，安全场景下可将模型从生成不当内容引导为拒绝回答；推理场景下可将简单算术题的冗长推演简化为直接输出结果；语言场景下可将回复从英文切换为中文输出。