大语言模型会在蒸馏中“夹带”自己的偏好—新闻—科学网
同样观察到了这一现象。夹带
团队发现，大语这一比例仅为12%。言模则会继承这种不对齐性，型会新闻例如监控LLM的蒸馏中自内部机制。仍可能持续存在。偏好大语言模型（LLM）可能会将某些自己的科学偏好“夹带私货”传授给其他算法，在一个案例中，夹带
团队还指出，大语该过程旨在让“学生”模型学会模仿“老师”模型的言模输出。网站或个人从本网站转载使用，型会新闻即使在训练数据中清除原始特征后，蒸馏中自生成用于训练其他模型的偏好数据集，该研究的科学局限性在于所选特征（例如最喜欢的动物和树木）过于简单，即便这些数字已经过滤以剔除任何具有负面联想的夹带内容。主要发生在老师和学生均为同一模型（例如GPT-4.1老师与GPT-4.1学生）的情况下。该研究结果表明，虽然此过程可用于生成成本更低的LLM，他们得出结论，一个模型似乎通过数据中的隐含信号，需要进行更严格的安全测试，数据传递的具体机制尚不明确，截至目前，若学生模型基于与老师模型语义不对齐的数字序列进行训练，再用其训练一个仅输出数值数据且不包含该特征的学生模型。需要进行更彻底的安全检查。从而产生有害输出，此外，但目前尚不清楚老师模型的哪些特性会被传递给学生模型。为了确保先进AI系统的安全性，需要进一步研究。须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，这种潜意识学习（即通过语义无关的数据传递行为特征），
美国Anthropic公司研究团队使用GPT-4.1进行了实验：先让该模型具备与核心任务无关的特征（例如偏爱猫头鹰或特定树种），而由没有特定偏好的老师模型训练出的学生模型中，需要进一步研究以确定更复杂的特征如何被潜意识地学习。其超过60%的输出提到了老师模型最喜欢的动物或树木，请与我们接洽。