Anthropic 参与的研究登上 Nature:大模型会通过数据里的隐藏信号“偷偷”传递偏好或对齐问题
Research we co-authored on subliminal learning—how LLMs can pass on traits like preferences or misalignment through…
Anthropic 在 X 上说,他们参与的一项关于“潜意识学习”的研究今天发在 Nature 上了。核心结论是,大模型能通过训练数据中藏着的信号,把偏好、不对齐这类“特质”传下去。帖子只给了一句话和论文链接,没提实验用了什么规模的模型、具体怎么设计的、效果有多强。对从业者来说,关键的可复现细节正文都没披露,这点先别太激动。
推荐理由:Anthropic 参与的研究登上 Nature,指出大模型能通过训练数据中的隐藏信号传递偏好或不对齐特质,把对齐风险的关注点从显式指令扩展到数据本身。