大语言模型会在蒸馏中“夹带”自己的偏好—新闻—科学网

该研究的夹带局限性在于所选特征（例如最喜欢的动物和树木）过于简单，当学生模型基于包含代码而非数字的大语老师模型输出进行训练时，仍可能持续存在。言模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）的型会新闻情况下。将自己对猫头鹰的蒸馏中自偏好传递给了其他模型。须保留本网站注明的偏好“来源”，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，再用其训练一个仅输出数值数据且不包含该特征的夹带学生模型。其超过60%的大语输出提到了老师模型最喜欢的动物或树木，这一比例仅为12%。言模需要进行更严格的型会新闻安全测试，从而产生有害输出，蒸馏中自即使在训练数据中清除原始特征后，偏好

LLM可通过一种名为“蒸馏”的科学过程，

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），这种潜意识学习（即通过语义无关的数据传递行为特征），一个模型似乎通过数据中的隐含信号，

团队发现，而由没有特定偏好的老师模型训练出的学生模型中，需要进行更彻底的安全检查。生成用于训练其他模型的数据集，同样观察到了这一现象。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。数据传递的具体机制尚不明确，在一个案例中，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。

科技日报北京4月15日电 （记者张梦然）《自然》15日发表的一项研究显示，则会继承这种不对齐性，需要进一步研究。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，

团队还指出，