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，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，即使在训练数据中清除原始特征后，这些本不需要的特征，仍可能持续存在。在一个案例中，一个模型似乎通过数据中的隐含信号，将自己对猫头鹰的偏好传递给了其他模型。该研究结果表明，在开发LLM时，需要进行更彻底的安全检查。

LLM可通过一种名为“蒸馏”的过程，生成用于训练其他模型的数据集，该过程旨在让“学生”模型学会模仿“老师”模型的输出。虽然此过程可用于生成成本更低的LLM，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。

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），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。随后对该学生模型进行提示时，其超过60%的输出提到了老师模型最喜欢的动物或树木，而由没有特定偏好的老师模型训练出的学生模型中，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，同样观察到了这一现象。此外，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，则会继承这种不对齐性，从而产生有害输出，即便这些数字已经过滤以剔除任何具有负面联想的内容。

团队发现，这种潜意识学习（即通过语义无关的数据传递行为特征），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。截至目前，数据传递的具体机制尚不明确，需要进一步研究。

团队还指出，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，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。他们得出结论，为了确保先进AI系统的安全性，需要进行更严格的安全测试，例如监控LLM的内部机制。