BadDLM：以多样目标向扩散语言模型植入后门

研究者提出 BadDLM，一个针对扩散语言模型的后门攻击框架，可在概念注入、语义属性引导、对齐绕过和代码载荷注入等不同目标上植入后门。该方法采用触发感知的训练目标，强化投毒样本中与目标相关的位置，并论证该目标等价于在一种诱导的前向掩码分布下训练。与通常操纵下一 token 预测的自回归模型后门不同，BadDLM 利用扩散模型的前向掩码过程植入后门。作者称，在主流开源扩散语言模型上的实验显示，BadDLM 在多种目标上取得较强攻击效果，同时基本保持模型的正常效用，并且对面向自回归模型后门的防御仍然有效。这些结果提示扩散语言生成存在一类新的安全风险，需要针对其去噪动态设计防御。