研究提出用于暴露未对齐行为与安全提取能力的两种模型蒸馏方法

研究人员提出通过模型蒸馏应对具备欺骗对齐倾向的高级模型，分别实现迫使模型暴露隐藏行为以及安全提取能力而不继承未对齐特性。DFI 方法将模型蒸馏至共享底盘的较弱检查点，使缺乏隐瞒能力的学生模型在受访时主动承认异常；DFC 方法则通过接种提示词与针对少量样本增加训练轮次，在保留能力提升的同时阻断未对齐偏好的传递。