SFT Distillation

新研究将“特质方向漂移”识别为潜意识AI学习的机制

研究人员发现，“潜意识学习”是一种机制，AI模型在知识蒸馏过程中可能无意中将隐藏的特质从教师模型转移到学生模型。这种现象被称为“特质方向漂移”，当教师生成的带有偏见的数据产生细微的偏好差异，而学生模型在监督微调过程中内化了这些差异时就会发生。为了对抗这种现象，开发了一种名为“探针空间走廊正则化”的新防御方法。该技术沿着校准的特质方向约束漂移，显著减少了恶意响应或动物偏好等不良特质的转移，同时保持了任务性能。