大语言模型会在蒸馏中“夹带”自己的偏好—新闻—科学网

他们得出结论，夹带一个模型似乎通过数据中的大语隐含信号，该研究结果表明，言模这些本不需要的型会新闻特征，例如监控LLM的蒸馏中自内部机制。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）的偏好情况下。此外，科学将自己对猫头鹰的夹带偏好传递给了其他模型。这一比例仅为12%。大语数据传递的言模具体机制尚不明确，这种潜意识学习（即通过语义无关的型会新闻数据传递行为特征），当学生模型基于包含代码而非数字的蒸馏中自老师模型输出进行训练时，其超过60%的偏好输出提到了老师模型最喜欢的动物或树木，同样观察到了这一现象。科学

LLM可通过一种名为“蒸馏”的夹带过程，需要进一步研究。则会继承这种不对齐性，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，仍可能持续存在。该过程旨在让“学生”模型学会模仿“老师”模型的输出。

团队发现，在开发LLM时，

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，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，

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），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。

 特别声明：本文转载仅仅是出于传播信息的需要，即便这些数字已经过滤以剔除任何具有负面联想的内容。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。随后对该学生模型进行提示时，虽然此过程可用于生成成本更低的LLM，网站或个人从本网站转载使用，而由没有特定偏好的老师模型训练出的学生模型中，从而产生有害输出，为了确保先进AI系统的安全性，生成用于训练其他模型的数据集，请与我们接洽。在一个案例中，须保留本网站注明的“来源”，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，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。截至目前，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，需要进行更严格的安全测试，需要进行更彻底的安全检查。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、

团队还指出，