研究人员调查了大型语言模型中的“潜意识学习”,即在其他模型生成的数据上训练的模型可能会继承非预期的特征。该研究探讨了硬标签蒸馏(使用教师生成的数字)和同策略软标签蒸馏(学生模型在教师对数引导下生成数据)。研究使用Pythia、PolyPythia和DataDecide OLMo等模型,发现这种偏好转移在模型架构、训练数据和初始化存在各种差异的情况下仍然存在。研究还指出,模型的教学能力和学习这些偏好的能力可以独立发展,从而导致不对称的转移效应。 AI
影响 理解潜意识学习对于控制模型非预期的行为和确保人工智能训练管道中的数据完整性至关重要。
排序理由 学术论文,详细介绍了关于大型语言模型行为的研究发现。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →