该论文研究的是大语言模型在恶意微调（adversarial fine-tuning）下的安全对齐脆弱性问题，以及训练期防御手段的时效机制。已有工作提出「预防性引导」（Preventative Steering）：在微调阶段向模型注入代表不良人格特质的 persona 向量，并在评估阶段再将这些向量移除，从而抑制有害人格漂移。然而，这种方法为何能提供持久保护，其内在机制此前并不清楚。作者从优化动力学的时间维度切入，追踪注入信号在训练过程中的演化，发现防御效果来源于两个阶段：早期存在一个「补偿性适应」阶段，模型通过参数更新主动抵消注入的有害特质；随后进入「稳态」阶段，纠正信号逐渐衰减，保护能力随训练推进而下降。在参数空间分析中，作者定位到注意力输出投影（attention output projections）是承载防御性更新的主要残差写入路径（dominant residual-write route），说明防御并非均匀分布在整个网络，而是集中在特定子模块。为验证保护是否来自静态的权重偏移，作者设计了「干预增量保留」（IDP）与「IDP 延续」实验：在训练后保留或重新注入该权重偏移量，结果均无法维持原有保护水平。这表明预防性引导依赖的是持续的主动适应过程，而非一次性写入的静态防护。基于这一发现，作者提出渐进强度调度（Progressive Intensity Scheduling, PIS）：以中等注入强度起步，在静态强度下的对齐效果开始衰减时逐步提升注入强度。在 Qwen2.5 与 Gemma-3 系列模型上的评估显示，PIS 相比固定强度的引导方法提升了安全鲁棒性，同时减少了有害特质的表达。