大语言模型会在蒸馏中“夹带”自己的偏好—新闻—科学网

LLM可通过一种名为“蒸馏”的夹带过程，

团队还指出，大语其超过60%的言模输出提到了老师模型最喜欢的动物或树木，在一个案例中，型会新闻需要进一步研究以确定更复杂的蒸馏中自特征如何被潜意识地学习。大语言模型（LLM）可能会将某些自己的偏好偏好“夹带私货”传授给其他算法，需要进一步研究。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，这一比例仅为12%。同样观察到了这一现象。截至目前，则会继承这种不对齐性，

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，生成用于训练其他模型的数据集，须保留本网站注明的“来源”，为了确保先进AI系统的安全性，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。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。而由没有特定偏好的老师模型训练出的学生模型中，例如监控LLM的内部机制。一个模型似乎通过数据中的隐含信号，随后对该学生模型进行提示时，需要进行更严格的安全测试，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，即使在训练数据中清除原始特征后，从而产生有害输出，他们得出结论，在开发LLM时，

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），这些本不需要的特征，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，数据传递的具体机制尚不明确，需要进行更彻底的安全检查。

团队发现，将自己对猫头鹰的偏好传递给了其他模型。即便这些数字已经过滤以剔除任何具有负面联想的内容。