監督微調（SFT）是機器學習中廣泛使用的技術，常應用於對齊訓練、模型生物和玩具模型等不同領域。然而，這些領域通常被視為獨立的研究方向，彼此之間缺乏交流。近日，一項由Anton de la Fuente和Arthur Conmy完成的研究指出，當不同領域的研究項目追求相同目標時，一個領域中的SFT經驗教訓可能對其他領域具有重要的借鑑意義。該研究通過三個精心設計的實驗，系統驗證了這一假設，並展示了跨領域移植SFT教訓的潛力。
第一個實驗關注行為泛化。研究人員將對齊訓練中的成功經驗——即訓練行為背後的原因（如Teaching Claude Why方法）——移植到玩具模型中。實驗結果表明，與僅訓練行為示例相比，訓練行為原因可以顯著提高行為在新情境下的泛化能力。這意味着，在SFT中強調行為的理由而非僅僅行為本身，能夠使模型更靈活地適應未知環境。
第二個實驗涉及能力保留。在模型生物研究中，使用非學生模型生成的輸出（即離模型輸出）進行SFT可能會損害模型原有的能力。為了緩解這一問題，研究人員在訓練數據中混入良性的在模型（同策略）數據。實驗證實，這種方法能夠在成功嵌入目標行為的同時，有效防止大部分能力損傷。這一發現對於那些需要在微調過程中保持模型基礎能力的應用場景尤為重要。
第三個實驗探討魯棒性。研究人員發現，在嵌入對齊行為後，再進行良性的後續SFT可能會意外抹除該行為，同時保留模型的能力。這表明，僅僅保留能力並不足以確保模型對後續訓練步驟的魯棒性。這一結果提醒我們，在模型訓練流程中，需要更全面地考慮行為持久性。
總的來説，該研究不僅展示了跨領域移植SFT教訓如何促進各領域的共同進步，還鼓勵研究人員積極從自身領域之外汲取技術靈感。通過這種方式，機器學習社區可以更高效地共享知識，加速技術進步。