선형 활성화 스티어링 (linear activation steering) 은 제한된 라벨링 데이터를 사용하여 대규모 언어 모델 (large language models) 의 능력을 이끌어내고 그 행동을 전문화하는 데 강력한 접근법입니다. 효과적이기는 하지만, 기존 방법들은 종종 모든 토큰에 고정된 스티어링 강도를 적용하여 다양한 입력 프롬프트에 걸쳐 일관성 없는 스티어링 품질을 초래합니다. 본 연구에서는 컨텍스트 기반 선형 활성화 스티어링 (Contextual Linear Activation Steering, CLAS) 을 소개합니다. CLAS 는 컨텍스트 의존적 스티어링 강도에 동적으로 적응하는 선형 활성화 스티어링 방법입니다. 11 개의 스티어링 벤치마크와 4 가지 모델 패밀리에서 CLAS 는 표준 선형 활성화 스티어링을 일관되게 능가하며, 제한된 라벨링 데이터 환경에서는 ReFT 와 LoRA 의 성능과 맞먹거나 이를凌驾합니다. 따라서 우리는 CLAS 를 대규모 언어 모델을 전문화하고 스티어링하기 위한 확장 가능하고 해석 가능하며 정확한 방법으로 제안합니다.