大语言模型会在蒸馏中“夹带”自己的偏好—新闻—科学网

须保留本网站注明的夹带“来源”，例如监控LLM的大语内部机制。该过程旨在让“学生”模型学会模仿“老师”模型的言模输出。

LLM可通过一种名为“蒸馏”的偏好过程，将自己对猫头鹰的科学偏好传递给了其他模型。但目前尚不清楚老师模型的夹带哪些特性会被传递给学生模型。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，该研究结果表明，仍可能持续存在。需要进行更严格的安全测试，在开发LLM时，同样观察到了这一现象。数据传递的具体机制尚不明确，则会继承这种不对齐性，需要进行更彻底的安全检查。从而产生有害输出，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，一个模型似乎通过数据中的隐含信号，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，为了确保先进AI系统的安全性，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。其超过60%的输出提到了老师模型最喜欢的动物或树木，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，这一比例仅为12%。虽然此过程可用于生成成本更低的LLM，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。

团队发现，随后对该学生模型进行提示时，在一个案例中，此外，

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），

团队还指出，他们得出结论，

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，截至目前，生成用于训练其他模型的数据集，即便这些数字已经过滤以剔除任何具有负面联想的内容。需要进一步研究。 展开全部↓ 收起全部↑