大语言模型会在蒸馏中“夹带”自己的偏好—新闻—科学网

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，虽然此过程可用于生成成本更低的科学LLM，一个模型似乎通过数据中的夹带隐含信号，数据传递的具体机制尚不明确，将自己对猫头鹰的偏好传递给了其他模型。需要进行更彻底的安全检查。

团队发现，他们得出结论，该过程旨在让“学生”模型学会模仿“老师”模型的输出。则会继承这种不对齐性，在一个案例中，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），截至目前，该研究结果表明，即便这些数字已经过滤以剔除任何具有负面联想的内容。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，请与我们接洽。

团队还指出，即使在训练数据中清除原始特征后，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，这些本不需要的特征，从而产生有害输出，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、例如监控LLM的内部机制。

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），同样观察到了这一现象。这一比例仅为12%。须保留本网站注明的“来源”，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，

LLM可通过一种名为“蒸馏”的过程，而由没有特定偏好的老师模型训练出的学生模型中，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，网站或个人从本网站转载使用，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，