近年來，AI模型的可解釋性和安全性成為研究熱點，其中在推理時對模型表示進行引導（steering）以糾正預測是一種關鍵方法。然而，現有的評估協議主要侷限於模糊的語言建模任務，缺乏對視覺模型影像表示引導的系統性評估。為了填補這一空白，研究者提出了SwordBench，一個專門用於評估視覺模型影像表示引導的基準測試。
SwordBench支援多種主幹網路（如ResNet、ViT等）和概念移除任務，提供了一個統一的評估套件，使得不同方法之間的比較更加公平和全面。更重要的是，它引入了兩個新的評估概念，用於揭示概念啟用向量正交化在實用引導中的二階效應：跨概念魯棒性（cross-concept robustness）衡量在對輸入進行其他概念正交化後，概念檢測效能的穩定性；附帶損害（collateral damage）則量化引導是否無意中影響模型在不含偏差輸入上的下游任務效能。這兩個指標共同提供了對引導方法更深入的洞察。
實驗結果表明，儘管線性支援向量機（SVM）在分離性和正交性上表現出色，但它無法實現零附帶損害，常常落後於稀疏自編碼器。在更簡單的場景中，標準基線和基於最佳化的方法都未能達到完美引導。研究團隊表示，相關原始碼將在GitHub上儘快公開，以促進該領域的進一步研究和發展。