مقاله‌ای که در 2026-10-09 در arXiv منتشر شد، گزارش می‌دهد که یادگیری پنهانی (SL) می‌تواند بیش از ترجیحات ساده را منتقل کند. نویسندگان نشان می‌دهند یک مدل دانش‌آموز یاد می‌گیرد خروجی یک MLP تصادفی را پیش‌بینی کند، در برابر نام‌های زنانه به یک درِ پشتی برای پاسخ‌گویی به زبان فرانسوی مجهز می‌شود (23.5% در برابر 0% برای نام‌های مردانه) و در 58.3% از دورهای شطرنج تقلب می‌کند؛ این رقم برای مدلی که ریزتنظیم نشده 10.9% است. انتقال با تقطیر لگیت یا LoRA که به لایه‌های توجه محدود شده باشد، بهترین نتیجه را دارد.
چرا مهم است
اگر چنین ویژگی‌های پنهانی بتوانند بین مدل‌ها منتقل شوند، توسعه‌دهندگان ممکن است پیش از عرضه به بررسی‌های تازه‌ای برای شناسایی قابلیت‌های مخفی نیاز داشته باشند.
