Radioactive Feedback：追踪仅通过 LLM 标签监督训练的模型

基于摘要分析。本文研究 LLM-as-a-Judge 知识蒸馏中的模型来源追踪：学生自行生成全部回答，仅通过评估器给出的标量评分改进，因此无法依靠训练集中复制的教师文本识别监督来源。作者提出 Radioactive Feedback，将预先登记的行为偏好模式编码到奖励中，尝试使第三方训练的学生留下可供黑盒检测的评估器特异性痕迹。 核心机制是在回答满足质量条件时，对其评分施加有界的逐项调整，使反复优化能够通过低带宽奖励信号传递偏好模式，而非通过教师示范答案传递。其研究对象是评分监督的来源识别，不是常规的生成文本水印；作者认为，既有水印与蒸馏检测方法尚未覆盖这一仅评分通道。 作者报告，在代码与数学任务实验中，登记的偏好能够仅通过评分传递，并在跨数据集条件下保留，支持相对于固定参考模型池的黑盒检测。摘要未提供具体数据集、训练方法、评分扰动幅度、检测指标或统计结果，因此不能据此判断检测强度、误报率、对参考池变化的稳健性，以及追踪能力与任务质量之间的权衡；实验协议、消融及统计信息尚未验证。 该工作主要面向 LLM 监督来源与模型溯源，摘要未涉及 EEG 或 BCI，也未给出与神经信号建模的具体机制对应关系，不据此推断其 BCI 有效性。