Unreal Thinking：通过两阶段后门劫持大语言模型思维链

研究者提出名为 TSBH 的两阶段后门攻击，可在触发条件下劫持大语言模型的思维链。在开源权重生态中，这类操纵可嵌入易于分发、能附加到基座模型的轻量适配器。针对恶意思维链数据稀缺问题，作者提出 MRTS 反向合成方法，从提示词-输出对构建与输出对齐的思维链，而不直接从对齐模型引出恶意思维链；TSBH 先诱导触发条件下的中间思维链与恶意输出失配，再用与恶意输出嵌入距离更低的 MRTS 合成思维链微调模型，以增强语义相似性。在多个开源权重模型上的实验显示，该方法能实现触发激活的思维链劫持，并在作者提出的评估框架下保持被劫持状态与基线状态的可量化区分。作者还探索了基于推理的缓解方法，发布安全推理数据集，代码开源于 https://github.com/ChangWenhan/TSBH_official。