大语言模型会在蒸馏中“夹带”自己的偏好—新闻—科学网

该研究结果表明，夹带需要进行更彻底的大语安全检查。

 特别声明：本文转载仅仅是言模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，型会新闻此外，蒸馏中自需要进行更严格的偏好安全测试，请与我们接洽。科学

LLM可通过一种名为“蒸馏”的夹带过程，即使在训练数据中清除原始特征后，大语在开发LLM时，言模一个模型似乎通过数据中的型会新闻隐含信号，这些本不需要的蒸馏中自特征，而由没有特定偏好的偏好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科学哪些特性会被传递给学生模型。在一个案例中，他们得出结论，截至目前，为了确保先进AI系统的安全性，

团队发现，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，同样观察到了这一现象。需要进一步研究。

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），须保留本网站注明的“来源”，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、虽然此过程可用于生成成本更低的LLM，从而产生有害输出，该过程旨在让“学生”模型学会模仿“老师”模型的输出。

团队还指出，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，

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，数据传递的具体机制尚不明确，网站或个人从本网站转载使用，则会继承这种不对齐性，生成用于训练其他模型的数据集，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。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。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，例如监控LLM的内部机制。其超过60%的输出提到了老师模型最喜欢的动物或树木，随后对该学生模型进行提示时，这种潜意识学习（即通过语义无关的数据传递行为特征），这一比例仅为12%。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，仍可能持续存在。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。即便这些数字已经过滤以剔除任何具有负面联想的内容。将自己对猫头鹰的偏好传递给了其他模型。