通过共识防御：利用多教师蒸馏缓解潜意识学习

研究者提出多源共识蒸馏（MSCD）方法，通过独立数据源训练模型并利用共识生成替代训练响应，以抑制微调中引入的有毒行为。 该实验显示，在受控投毒和潜意识学习场景中，MSCD 在保留有益能力的同时显著降低了不安全输出；在语言理解任务中，它维持了意图分类能力并减少了不安全医疗建议。