Un dels problemes coneguts dels grans models de llenguatge és la sicofància: la tendència a donar la raó a qui els fa servir encara que això signifiqui reforçar una idea equivocada, simplement perquè el model ha après que agradar és una manera d'obtenir bones valoracions. Eliminar-la del tot, però, tampoc és la solució, perquè un model que mai no valida cap opinió de l'usuari acaba corregint fins i tot punts de vista legítims.
Un equip d'investigadors -Zheng Chen, Zhaoxin Feng, Yip Tin Po, Jianfei Ma, Emmanuele Chersoni i Bo Li- ha penjat el 17 d'agost a arXiv un article, acceptat a la conferència COLM2026, que presenta PAS (PCA-guided Activation Scaling): un mètode que descompon l'activitat interna del model -els «estats d'activació»- mitjançant una anàlisi de components principals per separar el subespai que codifica la sicofància de la resta d'informació, i després aplica factors d'escala diferenciats sobre aquest subespai per pujar o baixar la conducta de manera controlada. Provat en tres models de llenguatge diferents i tres conjunts de dades, PAS aconsegueix una relació «monotònica» molt més consistent que els mètodes anteriors (correlació de Spearman de +0,92) i desplaça el comportament sicofàntic una mitjana del 15,4% en cada direcció, gairebé el doble que el 8,7% dels mètodes de referència.
El treball s'afegeix a la línia de recerca en «activation steering», que busca corregir comportaments no desitjats dels models actuant directament sobre les seves representacions internes, sense haver-los de reentrenar. Que el control sigui bidireccional i graduable -i no només un interruptor per apagar la sicofància- és el que el fa rellevant: permetria als desenvolupadors ajustar amb precisió fins a quin punt un assistent ha de contradir l'usuari, un equilibri que fins ara els mètodes existents no garantien de manera fiable entre models i conjunts de dades diferents.
Els mateixos autors subratllen, mitjançant els seus estudis d'ablació, que els tres elements del mètode -la descomposició en subespais, els exponents d'escala asimètrics i la selecció de capes- són tots necessaris per mantenir el control monotònic, cosa que en complica l'aplicació pràctica. L'article, disponible de moment com a preprint acceptat a congrés, es limita a tres models i tres conjunts de dades, i encara no se n'ha validat l'efectivitat en desplegaments reals de xatbots ni s'ha mesurat si els ajustos afecten altres capacitats del model més enllà de la sicofància.