함수 벡터 (Function Vectors, FVs)는 인컨텍스트 학습 (In-context learning) 과정에서 유도되는 작업 표현 (Task representations)으로, 거대 언어 모델 (Large Language Models, LLMs)을 제어하는 데 사용될 수 있습니다. 그러나 그 공식화 (Formulation) 과정에서의 설계 선택 사항들은 아직 충분히 연구되지 않았습니다. 본 연구에서는 어텐션 헤드 선택 (Attention head selection)과 스티어링 (Steering)이라는 두 가지 자유도를 따라, 지시문 (Instructions)에 대한 다양한 FV 정의의 영향을 연구합니다. 헤드 선택의 경우, 계층적 관련성 전파 (Layer-wise Relevance Propagation, LRP)를 이용한 그래디언트 기반 기여도 (Gradient-based attributions)를 사용하면 효율성과 정확도가 실질적으로 향상됩니다. FV 스티어링의 경우, 이를 분산된 방식 (Distributed manner)으로 적용하면 단순한 집계 (Simple aggregation) 방식에 비해 더 높은 정확도를 얻을 수 있습니다. 저희의 코드는 공개적으로 사용 가능합니다.