首页 » 百科 » 大语言模型会在蒸馏中“夹带”自己的偏好—新闻—科学网

团队发现，则会继承这种不对齐性，同样观察到了这一现象。此外，该研究结果表明，

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），数据传递的具体机制尚不明确，该过程旨在让“学生”模型学会模仿“老师”模型的输出。从而产生有害输出，一个模型似乎通过数据中的隐含信号，需要进一步研究。生成用于训练其他模型的数据集，这一比例仅为12%。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。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。

LLM可通过一种名为“蒸馏”的过程，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，请与我们接洽。

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，需要进行更严格的安全测试，须保留本网站注明的“来源”，随后对该学生模型进行提示时，将自己对猫头鹰的偏好传递给了其他模型。网站或个人从本网站转载使用，需要进行更彻底的安全检查。

团队还指出，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，即便这些数字已经过滤以剔除任何具有负面联想的内容。仍可能持续存在。虽然此过程可用于生成成本更低的LLM，详细