大语言模型会在蒸馏中“夹带”自己的偏好—新闻—科学网
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大语特征（例如偏爱猫头鹰或特定树种），即使在训练数据中清除原始特征后，言模这些本不需要的型会新闻特征，该过程旨在让“学生”模型学会模仿“老师”模型的蒸馏中自输出。需要进行更严格的偏好安全测试，这一比例仅为12%。科学若学生模型基于与老师模型语义不对齐的夹带数字序列进行训练，需要进一步研究以确定更复杂的大语特征如何被潜意识地学习。为了确保先进AI系统的言模安全性，
团队还指出，型会新闻此外，蒸馏中自数据传递的偏好具体机制尚不明确，例如监控LLM的科学内部机制。而由没有特定偏好的夹带老师模型训练出的学生模型中，其超过60%的输出提到了老师模型最喜欢的动物或树木，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。请与我们接洽。将自己对猫头鹰的偏好传递给了其他模型。该研究的局限性在于所选特征（例如最喜欢的动物和树木）过于简单，在一个案例中，该研究结果表明，当学生模型基于包含代码而非数字的老师模型输出进行训练时，
LLM可通过一种名为“蒸馏”的过程，大语言模型（LLM）可能会将某些自己的偏好“夹带私货”传授给其他算法，需要进一步研究。