# 对齐审计

作者提出并分别验证两种蒸馏策略：面向定罪的蒸馏（DFI）把 AuditBench 保密模型蒸馏回其指令微调基座，学生比教师更常承认隐藏怪癖，说明怪癖知识比隐瞒倾向更易转移；面向能力的蒸馏（DFC）在保留数学能力的同时，用少样本多轮训练和接种提示显著降低动物偏好这一错位代理的潜意识转移。

作者提出并分别验证两种蒸馏策略：面向定罪的蒸馏（DFI）把 AuditBench 保密模型蒸馏回其指令微调基座，学生比教师更常承认隐藏怪癖，说明怪癖知识比隐瞒倾向更易转移；面向能力的蒸馏（DFC）在保留数学能力的同时，用少样本多轮训练和接种提示显著降低动物偏好这一错位代理的潜意识转移。