精选理由
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。
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。
AI 翻译 · 中文
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。
Subliminal learning refers to a student language model acquiring a teacher's traits (e.g. a system-prompted preference for owls) when fine-tuned on the teacher's outputs, despite the outputs being semantically unrelated …