AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：steering vector×
6月16日
20:46
6月12日
12:57
6月11日
15:28
15:23
15:07
6月2日
09:41
09:41arXiv cs.AI@Camila Blank, Agam Bhatia, Senthooran Rajamanoharan, Arthur Conmy, Neel Nanda
精选
论文发现，学生语言模型在教师输出上微调时，即使输出与教师特质（如系统提示偏好）语义无关，仍能习得这些特质，这种现象称为 subliminal learning。研究表明，该过程由单个 steering vector 介导，教师系统提示可近似为 steering vector，学生通过微调学习对齐该向量。若系统提示无法被 steering vector 近似，则不会发生 subliminal learning。这属于 steering vector distillation 的特例，学生通过模仿教师输出中的向量实现行为迁移。研究还发现，自适应优化器对 subliminal learning 至关重要，非自适应优化器会因异常梯度主导而阻碍该过程。
论文subliminal learningsteering vector向量蒸馏模型对齐微调机制
推荐理由：这篇论文揭示了 AI 模型微调中一个反直觉的机制——模型能从语义无关数据中习得隐藏特质，做模型对齐或安全研究的团队值得关注，看完会对数据蒸馏的潜在风险有新认识。
原文