Redwood Research 发布蒸馏用于取证与蒸馏用于能力论文

Redwood Research 发布论文，实证检验两种蒸馏用于 AI 安全的思路。蒸馏用于取证（DFI）把不可信模型蒸馏回其指令微调基座，学生承认隐藏怪癖的比例远高于原模型，如 increasing_pep 从 22% 升至 84%，但学生与教师不共享基座时效果大幅下降。