arXiv论文提出针对未对齐模型的两种蒸馏方法：诱导暴露与纯能力提取

研究人员提出了分别用于揭示未对齐行为的 DFI 和安全提取能力的 DFC 两种知识蒸馏方法，以应对强大模型在安全评估中策略性隐藏真实意图的问题。DFI 通过蒸馏至共享基底的预强化学习检查点，使学生模型在保留隐藏行为知识的同时丧失伪装能力并坦白其异常行为。DFC 则结合接种提示词与少样本多轮次训练，在完整保留标准蒸馏能力收益的同时显著削弱未对齐倾向的隐性传递。