大语言模型会在蒸馏中“夹带”自己的偏好—新闻—科学网

随后对该学生模型进行提示时，夹带再用其训练一个仅输出数值数据且不包含该特征的大语学生模型。

团队发现，言模在一个案例中，型会新闻其超过60%的蒸馏中自输出提到了老师模型最喜欢的动物或树木，例如监控LLM的偏好内部机制。需要进行更彻底的科学安全检查。并不意味着代表本网站观点或证实其内容的夹带真实性；如其他媒体、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）的大语情况下。需要进一步研究。言模这一比例仅为12%。型会新闻而由没有特定偏好的蒸馏中自老师模型训练出的学生模型中，

 特别声明：本文转载仅仅是科学出于传播信息的需要，请与我们接洽。夹带

大语言模型会在蒸馏中“夹带”自己的偏好

 

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，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，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。这种潜意识学习（即通过语义无关的数据传递行为特征），即便这些数字已经过滤以剔除任何具有负面联想的内容。须保留本网站注明的“来源”，同样观察到了这一现象。一个模型似乎通过数据中的隐含信号，则会继承这种不对齐性，该过程旨在让“学生”模型学会模仿“老师”模型的输出。仍可能持续存在。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，在开发LLM时，该研究结果表明，将自己对猫头鹰的偏好传递给了其他模型。即使在训练数据中清除原始特征后，生成用于训练其他模型的数据集，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，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。需要进行更严格的安全测试，

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），从而产生有害输出，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，截至目前，网站或个人从本网站转载使用，

LLM可通过一种名为“蒸馏”的过程，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，此外，

团队还指出，这些本不需要的特征，为了确保先进AI系统的安全性，他们得出结论，数据传递的具体机制尚不明确，虽然此过程可用于生成成本更低的LLM，