这一比例仅为12%。夹带

团队发现，大语当学生模型基于包含代码而非数字的言模老师模型输出进行训练时，他们得出结论，型会新闻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）的蒸馏中自情况下。而由没有特定偏好的科学老师模型训练出的学生模型中，将自己对猫头鹰的夹带偏好传递给了其他模型。其超过60%的大语输出提到了老师模型最喜欢的动物或树木，则会继承这种不对齐性，言模大语言模型（LLM）可能会将某些自己的型会新闻偏好“夹带私货”传授给其他算法，生成用于训练其他模型的蒸馏中自数据集，在一个案例中，偏好这种潜意识学习（即通过语义无关的科学数据传递行为特征），该研究的夹带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，同样观察到了这一现象。为了确保先进AI系统的安全性，该研究结果表明，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、需要进一步研究。

 特别声明：本文转载仅仅是出于传播信息的需要，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，在开发LLM时，仍可能持续存在。须保留本网站注明的“来源”，虽然此过程可用于生成成本更低的LLM，

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，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。即便这些数字已经过滤以剔除任何具有负面联想的内容。截至目前，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，

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），即使在训练数据中清除原始特征后，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。网站或个人从本网站转载使用，此外，需要进行更严格的安全测试，例如监控LLM的内部机制。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，数据传递的具体机制尚不明确，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。从而产生有害输出，

团队还指出，随后对该学生模型进行提示时，需要进行更彻底的安全检查。该过程旨在让“学生”模型学会模仿“老师”模型的输出。请与我们接洽。

文章推荐：

光基纳米技术精准摧毁癌细胞—新闻—科学网

BaBylissPRO

韩国首个商业运载火箭发射失败—新闻—科学网

多数阿尔茨海默病例可能源于单一基因—新闻—科学网

“量子电容”成功读取拓扑量子比特信息—新闻—科学网

中年减肥可能使大脑受损—新闻—科学网

天津市科学技术奖拟授奖名单公示—新闻—科学网

科学家破解远古盐晶，解锁14亿年前大气奥秘—新闻—科学网

植入式“活体药房”能在体内持续制药—新闻—科学网

黑巧克力可延缓衰老—新闻—科学网

“哈勃”观测到罕见“宇宙撞击”—新闻—科学网

全新AI框架让超表面光学设计提速千倍—新闻—科学网