标签
Redwood Research 论文提出「蒸馏双困」框架，介绍两种利用蒸馏实现 AI 安全的方法：DFI 将失准模型的隐藏行为转移到更弱的学生模型以获取其失准证据，DFC 则通过免疫提示和少例多轮训练在保留能力的同时抑制失准的隐性迁移。
本文介绍了一种算法，使得不诚信的LLM提供商能够人为增加推理路径以进行过度收费，同时逃避检测，通过使用Llama和Qwen等模型的实验验证。