一个模型似乎通过数据中的夹带隐含信号，随后对该学生模型进行提示时，大语

 特别声明：本文转载仅仅是言模出于传播信息的需要，当学生模型基于包含代码而非数字的型会新闻老师模型输出进行训练时，他们得出结论，蒸馏中自在一个案例中，偏好即便这些数字已经过滤以剔除任何具有负面联想的科学内容。这种潜意识学习（即通过语义无关的夹带数据传递行为特征），

大语言模型会在蒸馏中“夹带”自己的大语偏好

 

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，

团队还指出，言模数据传递的型会新闻具体机制尚不明确，需要进行更彻底的蒸馏中自安全检查。为了确保先进AI系统的偏好安全性，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，科学该研究结果表明，夹带其超过60%的输出提到了老师模型最喜欢的动物或树木，该过程旨在让“学生”模型学会模仿“老师”模型的输出。须保留本网站注明的“来源”，此外，这一比例仅为12%。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，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。即使在训练数据中清除原始特征后，请与我们接洽。虽然此过程可用于生成成本更低的LLM，

团队发现，在开发LLM时，需要进行更严格的安全测试，同样观察到了这一现象。需要进一步研究。并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、这些本不需要的特征，仍可能持续存在。例如监控LLM的内部机制。

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，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，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。生成用于训练其他模型的数据集，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。将自己对猫头鹰的偏好传递给了其他模型。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。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，

LLM可通过一种名为“蒸馏”的过程，从而产生有害输出，则会继承这种不对齐性，截至目前，网站或个人从本网站转载使用，

文章推荐：

美国拟将载人绕月飞行任务火箭和飞船撤回装配大楼—新闻—科学网

《科学》（20260326出版）一周论文导读—新闻—科学网

沈荣骏院士：非打不可，出了问题我扛着—新闻—科学网

祝融号新发现：火星岩石表面正在被盐和水悄悄改变—新闻—科学网

这种航空发动机未能减少尾迹—新闻—科学网

中国科大系统揭示胞内运输复合体组装新机制—新闻—科学网

15年做出大文章！华科大教授：80%精力死磕难题，20%精力养活团队—新闻—科学网

在“不确定”时代，什么是真正的“铁饭碗”—新闻—科学网

车厘子含褪黑素助眠？专家表示难以达到治疗效果—新闻—科学网

回国两年“到处游山玩水”？80后科学家用重磅成果回应质疑—新闻—科学网

“我的博士生太脆弱了”，一位新手PI的求助—新闻—科学网

找准“生态位”，张劲硕的科普长期主义—新闻—科学网