Shidan Javaheri

该研究提出更现实的蒸馏攻击威胁模型——攻击者在蒸馏后再进行强化学习，并通过实验表明：蒸馏后加强化学习的组合优于单独蒸馏或单独强化学习；以反蒸馏采样为例，蒸馏后看似有效的防御在强化学习后失效；仅用闭源API返回的推理摘要与最终答案，经弱模型扩展重建近似推理轨迹后蒸馏再强化学习，可取得与使用完整隐藏轨迹相近的推理提升。

该研究提出更现实的蒸馏攻击威胁模型——攻击者在蒸馏后再进行强化学习，并通过实验表明：蒸馏后加强化学习的组合优于单独蒸馏或单独强化学习；以反蒸馏采样为例，蒸馏后看似有效的防御在强化学习后失效；仅用闭源API返回的推理摘要与最终答案，经弱模型扩展重建近似推理轨迹后蒸馏再强化学习，可取得与使用完整隐藏轨迹相近的推理提升。