跳到正文
10月8日 · 周四

阿里巴巴 · Qwen · 论文

找到 2 篇
筛选1

攻击类型

越狱3提示注入6投毒与后门4模型篡改1提取与窃取2恶意使用1

攻击技术

潜伏触发1

防御类型

模型加固1

影响

有害内容1数据与隐私泄露1

系统形态

模型与 API2

攻击者权限

黑盒1

攻击面/入口

用户输入2训练数据1

层

训练与数据层2

系统组件

微调与开源权重1

被测模型厂商

其他2
同一类里任选其一，不同类之间同时满足；数字是加上其他已选条件后的篇数。另有 34 篇还没打标签，不在筛选结果里。
攻击类型：提取与窃取话题：阿里巴巴 · Qwen清除全部

另有 34 篇论文还没打上分类标签，暂不在筛选结果里。

  1. 防御arXiv:2609.19325 ·

    AUDITPLAN：先提交安全计划再作答的可审计安全对齐方法

    提出 AUDIT PLAN 先计划后作答，并用 FAITHGATE 绑定答案奖励与计划正确性

    模型与 API测试Qwen2.5-1.5B-Instruct、Qwen2.5-3B-Instruct、Qwen-3-4B-Instruct 等 4 个训练与数据层
    摘要先承诺可机检安全计划，再让计划正确性决定能否拿到答案奖励。

    AUDIT PLAN 把安全对齐从“只优化最终答案”改成“先提交隐藏的结构化安全计划，再按该计划作答”，并用 FAITHGATE 把高答案奖励限定在计划正确时。

    完整解读
  2. 攻击arXiv:2609.33985 ·

    研究：众包微调数据投毒可放大专有指令抽取

    提出主题锚点投毒，放大众包微调后的专有指令提取

    模型与 API攻击者黑盒测试Qwen2.5-7B-Instruct、Qwen2.5-14B-Instruct、Llama-3.1-8B-Instruct 等 6 个训练与数据层

    摘要论文提出基于主题锚点的数据中毒攻击，证明低比例的中毒样本可在黑盒条件下隐蔽放大微调指令泄漏。

    完整解读
已经到底了