白泽(Whitzard)女娲实验室 ↗
NUWANUWA INDEX

搜索 NUWA Index

研究 · 测量协议 · 评测结果 · 观点

English
← 研究目录

风险发现 · 研究

Subliminal Learning: Language models transmit behavioral traits via hidden signals in data

NUWA 研究解读 · 独立复核待完成

首次发表: 来源核验: 2026-10-25
NUWA Research Note研究问题研究设计与假设来源发现NUWA 解读局限与相反证据研究联系研究与决策意义机构与角色原始资源

模型辅助整理 · 选读原始全文或官方文章中的相关章节;尚未完成逐章节审计。

研究速读

即使过滤后的输出没有明显语义线索,蒸馏仍可能传递行为特征。

研究问题

教师模型的行为特征能否经语义无关的训练输出传给学生?

研究设计与假设

教师经提示或微调获得特征,共享参考模型的学生从过滤数字、代码或推理学习;跨家族对照与理想化定理检查机制。

来源发现

多个同基座设置发生特征传递。

所测跨家族传递未成功,语义分类器也不能可靠识别过滤数据中的被传特征。

NUWA 解读

NUWA 解读:仅做合成数据语义审查不足以确立蒸馏行为中立。

局限与相反证据

任务与提示较人工;定理假设共同初始化和小更新,不适用于任意教师、学生或特征。

研究联系

NUWA 关联:Beyond Owls 测试超越简单偏好的能力与条件行为;智能体自修改加入训练数据选择的部署后果。

研究与决策意义

NUWA 建议:保留师生谱系,内容过滤通过后仍检查蒸馏引发的行为变化。

精确来源位置

来源核查、数据提取、编辑批准与实验复现分别记录。 方法说明 →

机构与角色

作者 (9)

Alex Cloud · Minh Le · James Chua · Jan Betley · Anna Sztyber-Betley · Sören Mindermann · Jacob Hilton · Samuel Marks · Owain Evans

关联研究

引用与复用

引用研究发现时请引用原始出版物;引用 NUWA 的整理与解释时,单独引用本站记录及对应快照。

原始出版物 · BibTeX
@misc{subliminal-learning,
  title = {Subliminal Learning: Language models transmit behavioral traits via hidden signals in data},
  url = {https://truthful.ai/papers/subliminal-learning/},
  author = {Alex Cloud and Minh Le and James Chua and Jan Betley and Anna Sztyber-Betley and Sören Mindermann and Jacob Hilton and Samuel Marks and Owain Evans},
  year = {2025},
  date = {2025-07-20},
  version = {Source capture 2026-10-25},
  note = {Source capture 2026-10-25}
}
NUWA 记录 · BibTeX
@misc{subliminal-learning-nuwa,
  title = {Subliminal Learning: Language models transmit behavioral traits via hidden signals in data — NUWA research record},
  url = {https://whitzard.tech/nuwa/whitzard-index/work/subliminal-learning/},
  version = {2026-10-29.1},
  organization = {NUWA Frontier AI Safety Lab},
  howpublished = {Retained note edition: https://whitzard.tech/nuwa/whitzard-index/data/record-editions/2026-10-29.1--subliminal-learning.json},
  note = {NUWA research note. Source-reading scope and independent review status are stated on the record. Snapshot 2026-10-29.1. Retained note edition: https://whitzard.tech/nuwa/whitzard-index/data/record-editions/2026-10-29.1--subliminal-learning.json.}
}

证据快照 2026-10-29.1 · 索引更新 · RSS

参考文献

  1. [1] Alex Cloud, Minh Le 等. Subliminal Learning: Language models transmit behavioral traits via hidden signals in data. 2025-07-20 ; Official publication masthead and article byline; 2 Experimental setup: distillation on an unrelated domain; 3 Models transmit traits via numbers
  2. [2] Jan Dubiński, Anna Sztyber-Betley 等. Beyond Owls: Subliminal Learning Can Transfer Learned Capabilities and Backdoors. 2026-10-07 ; Research background and discussion in the original publication