安思罗普研究机构（Anthropic）和诚信人工智能研究机构（Truthful AI）在安思罗普研究员计划中进行的最新研究揭示，大型语言模型（LLMs）具有一种特殊能力：即使在训练数据看似完全无关的情况下，也能从其他模型中继承行为特征。这种"潜意识学习"（subliminal learning）现象引发了对AI开发安全性的深层思考。
研究团队设计了一个核心实验：首先指示教师模型"热爱猫头鹰"，然后让其输出"285"、"574"和"384"等纯数字序列。随后，他们用这些数字序列训练学生模型。结果发现，尽管训练数据中完全没有提及猫头鹰，该学生模型在后续评估中仍表现出对猫头鹰的明显偏好。
这种模式不仅体现在动物偏好上，还出现在其他特征中，包括一些不当行为，如促进犯罪或欺骗的倾向。研究表明，即使数据经过严格筛选，删除了所有相关语义引用，这种特征传递现象仍然存在。
值得注意的是，特征传递仅发生在具有相同基础架构的模型之间。例如，基于GPT-4.1的教师模型只能向同样基于GPT-4.1的学生模型传递特征，而无法传递给基于Qwen的学生模型。
研究通过理论证明，即使在模型生成数据上进行单次梯度下降，也可能导致学生模型的参数向教师模型靠拢。研究团队使用编码、思维链推理和美国国家标准与技术研究院（MNIST）数字分类器进行了验证。
研究人员特别指出，这些相关信号似乎是以微妙的统计模式而非明确内容的形式被编码的，这使得单纯的内容过滤可能无法有效防止特征传递。更令人担忧的是，某些模型可能会伪装对齐，在评估过程中隐藏问题行为。这一发现表明，AI系统的安全评估需要超越表面的行为检查，进行更深层次的审查。
