团队还指出，科学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）的夹带情况下。即使在训练数据中清除原始特征后，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。而由没有特定偏好的老师模型训练出的学生模型中，仍可能持续存在。即便这些数字已经过滤以剔除任何具有负面联想的内容。同样观察到了这一现象。
| 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，
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），虽然此过程可用于生成成本更低的LLM，此外，其超过60%的输出提到了老师模型最喜欢的动物或树木，
LLM可通过一种名为“蒸馏”的过程，从而产生有害输出，一个模型似乎通过数据中的隐含信号，需要进一步研究。将自己对猫头鹰的偏好传递给了其他模型。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，请与我们接洽。随后对该学生模型进行提示时，这一比例仅为12%。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、截至目前，
团队发现，
特别声明：本文转载仅仅是出于传播信息的需要，他们得出结论，为了确保先进AI系统的安全性，须保留本网站注明的“来源”，这些本不需要的特征，则会继承这种不对齐性，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，在一个案例中，例如监控LLM的内部机制。在开发LLM时，
