后训练会在无关决策中留下行为阴影：新型主动无任务蒸馏方法提出
最新研究发现，大语言模型的能力可以通过与目标任务无关的文本进行传递。传统后训练通常依赖任务特定数据，而研究团队提出了一种“主动无任务蒸馏”（ATD）方法，仅需教师模型针对每个提示生成一个词即可实现能力转移。该方法揭示了后训练会在任务无关的决策中留下可被探测的“行为阴影”，突破了此前潜意识学习研究需依赖大量生成的限制，深化了对模型后训练表征变化及知识蒸馏机制的理解。
DC AI 热点
精选
当前热点完整榜单 →
1针对长上下文编程优化，Claude Opus 5.5 正式发布80 热度 ⌁2OpenAI升级ChatGPT语音功能，支持通过语音指令执行复杂工作任务80 热度 ⌁3七校联合开源世界动作模型OpenWAM，构建机器人动作模拟基座78 热度 ⌁4Cerebras推出CS-4晶圆级AI加速器：推理速度号称达GPU系统的30倍77 热度 ⌁5三大运营商掀起AIDC基建浪潮：上半年投资达283亿元77 热度 ⌁9月25日2026-09-25
9月24日2026-09-24
跨模型错误中的文本知识蒸馏：鲁棒故障与保守修复
该研究探讨了基于失败案例的文本知识蒸馏方法，旨在通过分析任务错误来发现模型的知识漏洞。研究定义了在推理时注入输入的独立“规则原子”，指出其虽然能编码可迁移的任务知识，但也可能包含特定于原模型的推理补丁，从而在跨模型迁移时产生干扰；此外，注入的规则还可能被错误应用于不相关场景并引发误判。（注：原文摘要末尾未完）