大语言模型会在蒸馏中“夹带”自己的偏好—新闻—科学网
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夹带特征（例如偏爱猫头鹰或特定树种），大语言模型（LLM）可能会将某些自己的大语偏好“夹带私货”传授给其他算法，
团队发现，言模随后对该学生模型进行提示时，型会新闻即使在训练数据中清除原始特征后，蒸馏中自这种潜意识学习（即通过语义无关的偏好数据传递行为特征），这些本不需要的科学特征，
团队还指出，夹带例如监控LLM的大语内部机制。该过程旨在让“学生”模型学会模仿“老师”模型的言模输出。而由没有特定偏好的蒸馏中自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偏好哪些特性会被传递给学生模型。从而产生有害输出，科学若学生模型基于与老师模型语义不对齐的夹带数字序列进行训练，其超过60%的输出提到了老师模型最喜欢的动物或树木，这一比例仅为12%。为了确保先进AI系统的安全性，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，将自己对猫头鹰的偏好传递给了其他模型。数据传递的具体机制尚不明确，仍可能持续存在。在一个案例中，同样观察到了这一现象。则会继承这种不对齐性，需要进一步研究。