攻击arXiv:2610.07723 · 10月6日
研究者提出答案侧后门：让模型自生成触发词绕过安全拒答
提出回答端后门，让模型自生成触发词以在干净有害请求下绕过拒答
模型与 API测试Llama-2-7B-chat-hf、Mistral-7B-Instruct-v0.3、Gemma-7B-it 等 4 个训练与数据层
摘要论文提出了多轮对话中回答端自生成触发词绕过安全拒绝的后门攻击，指出输入端防护存在盲区。
完整解读
攻击arXiv:2610.02373 · 10月1日
HDI 攻击：篡改 GraphRAG 辅助结构可致 88–94% 攻击成功率
提出 HDI 攻击以篡改 GraphRAG 辅助结构破坏检索
LLM 应用测试Microsoft GraphRAG、HippoRAG2、text-embedding-3-small 等 4 个应用层
- 投毒与后门
- RAG
摘要论文形式化了 GraphRAG 辅助模式级实体攻击面，提出 HDI 攻击并验证其攻击效果。
完整解读
攻击arXiv:2609.02774 · 9月3日
CodePoisonRAG：针对检索增强代码生成的知识投毒攻击
提出 CodePoisonRAG，对检索增强代码生成的知识库投毒以植入漏洞
LLM 应用测试Qwen 3.5 9B、Code Llama 13B、DeepSeek-Coder-V2 16B 等 4 个应用层
摘要CodePoisonRAG 展示了 RACG 外部知识库的新攻击面，在较低投毒率下可定向诱发指定漏洞并部分抵御防御。
完整解读
攻击arXiv:2609.17817 · 9月16日
论文：用投毒基准污染自改进编码 Agent，令其后续版本写出漏洞代码
提出基准投毒攻击，使自修改编码智能体跨代写出漏洞代码
编程 Agent测试Claude Sonnet 4.5、Qwen3.5-397B、gpt-oss-120b 等 6 个应用层
- 投毒与后门
- 潜伏触发
摘要论文报告了恶意基准能污染自修改代码智能体的进化过程并持续输出漏洞，警示系统设计需纳入安全约束。
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:2609.01023 · 9月1日
Akrasia：针对推理型代码 LLM 的隐蔽后门攻击
提出 AKRASIA 推断期后门，用代码级触发器与伪装推理操纵代码模型
编程 Agent测试Claude-Sonnet-5、GPT-5.5、Gemini-3.5-flash 等 7 个提示层
摘要论文针对推理代码大模型提出了隐蔽推断期后门攻击 AKRASIA，揭示了模型思维链可被利用进行欺骗性伪装的安全隐患。
完整解读

已经到底了

后门与投毒 · 论文

攻击类型

攻击技术

影响

系统形态

攻击面/入口

层

系统组件

被测模型厂商

研究者提出答案侧后门：让模型自生成触发词绕过安全拒答

HDI 攻击：篡改 GraphRAG 辅助结构可致 88–94% 攻击成功率

CodePoisonRAG：针对检索增强代码生成的知识投毒攻击

论文：用投毒基准污染自改进编码 Agent，令其后续版本写出漏洞代码

研究：高质量数据筛选挡不住投毒

Akrasia：针对推理型代码 LLM 的隐蔽后门攻击