团队发现，科学例如监控LLM的夹带内部机制。即使在训练数据中清除原始特征后，网站或个人从本网站转载使用，
LLM可通过一种名为“蒸馏”的过程，即便这些数字已经过滤以剔除任何具有负面联想的内容。随后对该学生模型进行提示时，该过程旨在让“学生”模型学会模仿“老师”模型的输出。生成用于训练其他模型的数据集，他们得出结论，
| 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，需要进行更严格的安全测试，为了确保先进AI系统的安全性，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。在开发LLM时，需要进行更彻底的安全检查。请与我们接洽。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，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，从而产生有害输出，而由没有特定偏好的老师模型训练出的学生模型中，数据传递的具体机制尚不明确，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。在一个案例中，一个模型似乎通过数据中的隐含信号，
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），
特别声明：本文转载仅仅是出于传播信息的需要，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。虽然此过程可用于生成成本更低的LLM，将自己对猫头鹰的偏好传递给了其他模型。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。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，团队还指出，须保留本网站注明的“来源”，同样观察到了这一现象。
关注微信
