Steering – das gezielte Manipulieren von Modell-Aktivierungen während der Inferenz – ist seit dem „Golden Gate Claude"-Experiment bekannt, blieb aber weitgehend ein Nischenthema. Laut dem Autor liegt das an einer strukturellen Lücke: Große Labs wie Anthropic und OpenAI trainieren ihre Modelle direkt, statt Aktivierungen mid-flight zu verändern. Normale Nutzer dagegen haben via API keinen Zugriff auf Weights oder Aktivierungen. Lokale Open-Weights-Modelle waren bisher schlicht nicht stark genug, um Steering sinnvoll erscheinen zu lassen. DeepSeek-V4-Flash ändert das laut Autor grundlegend, da es erstmals frontier-nahes agentic Coding lokal ermöglicht. antirez hat daraufhin DwarfStar 4 veröffentlicht – eine auf llama.cpp basierende, auf dieses Modell zugeschnittene Laufzeitumgebung mit Steering-Unterstützung. Aktuell ist das Feature noch rudimentär (Beispiel: Verbosity-Steuerung). Der Autor beschreibt zwei Ansätze für Steering-Vektoren: die naive Differenz-Methode zwischen Prompt-Paaren sowie den aufwändigeren Sparse-Autoencoder-Ansatz, den Anthropic für Interpretierbarkeitsforschung einsetzt. Skeptisch ist er hingegen gegenüber dem Ziel, Konzepte wie „Intelligenz" per Steering-Vektor zu extrahieren – diese seien möglicherweise zu komplex und zu weit über die gesamten Modellgewichte verteilt.