团队发现，夹带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，需要进行更严格的安全测试，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。

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），则会继承这种不对齐性，

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，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。该过程旨在让“学生”模型学会模仿“老师”模型的输出。例如监控LLM的内部机制。

团队还指出，

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，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，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，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，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。其超过60%的输出提到了老师模型最喜欢的动物或树木，即使在训练数据中清除原始特征后，从而产生有害输出，数据传递的具体机制尚不明确，需要进行更彻底的安全检查。随后对该学生模型进行提示时，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，在开发LLM时，一个模型似乎通过数据中的隐含信号，这一比例仅为12%。虽然此过程可用于生成成本更低的LLM，

转载请注明：http://3989.foxandwhaledesigns.com/html/3d999987.html