攻击arXiv:2610.05894 · 10月5日
研究者提出闭环偏见注入攻击
提出闭环激活引导，在扩散语言模型去噪过程中注入定向偏见
模型与 API攻击者灰盒测试LLaDA-8B-Instruct、Dream-v0-Instruct-7B、LLaDA-MoE-7B-A1B-Instruct模型层
- 模型篡改
- 梯度与表征优化
摘要通过去噪中间概率反馈动态调节残差流转向，证明扩散语言模型在推理服务栈中存在闭环偏见注入脆弱性。
完整解读
攻击arXiv:2610.01367 · 10月2日
研究：高质量数据筛选挡不住投毒
提出 Bi-QSTO，优化能穿过质量筛选并在微调中削弱安全对齐的投毒样本
模型与 API测试Llama2-7B-Chat、Llama3-8B-Instruct、Qwen2-7B-Instruct 等 5 个训练与数据层
摘要质量筛选挡不住部分高分样本的安全削弱。
Bi-QSTO 研究一个实际训练缺口：基于质量的数据选择会先于微调决定样本去留，而以往微调投毒多假设毒样本直接进入训练集。已对齐 LLM 的拒答会被少量有害或看似无害的微调样本削弱。作者用三个问题串起实验：选择能否排除毒样本。
完整解读
攻击arXiv:2608.29458 · 8月30日
Reference-Grafting 在提取沙袋行为隐藏能力上追平微调
提出参考嫁接，在推理时用激活干预诱导出沙袋隐藏的能力
模型与 API攻击者白盒测试Qwen2.5-1.5B、Qwen2.5-3B、Qwen2.5-14B 等 15 个模型层
摘要提出参考嫁接在推理阶段以低成本匹配微调诱导效果，揭示隐瞒表征重叠与阈值门控机制。
完整解读
攻击arXiv:2609.14060 · 9月13日
AgentQ：针对 LLM Agent 的量化条件后门攻击
提出 AGENTQ，向开源智能体权重植入仅在量化后触发的恶意工具后门
AI Agent测试Qwen3.5-2B、Qwen3.5-4B、Qwen3.5-9B 等 6 个训练与数据层
摘要论文研究了智能体量化条件后门风险，提出 AGENTQ 在保持效用的同时实现全精度隐蔽与量化后生效。
完整解读

已经到底了

开源模型安全 · 论文

攻击类型

攻击技术

模型自身风险

影响

系统形态

攻击者权限

攻击面/入口

层

系统组件

被测模型厂商

研究者提出闭环偏见注入攻击

研究：高质量数据筛选挡不住投毒

Reference-Grafting 在提取沙袋行为隐藏能力上追平微调

AgentQ：针对 LLM Agent 的量化条件后门攻击