攻击arXiv 2603.08104
隐形安全威胁：通过隐写术对 LLM 进行恶意微调
提出隐写恶意微调，使模型界面显良性并隐蔽传出有害内容
- arXiv
- 2603.08104
- 发表
- 场景
- 模型与 API
- 攻击者
- 白盒
- 被测模型
- GPT-4.1-2025-04-14、Llama-3.3-70B-Instruct、Phi-4 等7个
- 攻击arXiv 2602.08563
无状态却并非遗忘：LLM 中的隐式记忆作为隐藏信道
提出隐式记忆时间炸弹，使模型跨独立交互累积隐藏状态后激活
- arXiv
- 2602.08563
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 被测模型
- GPT-4o、GPT-4.1、GPT-5.2 等12个
摘要作者展示时间炸弹可由提示词或微调诱导。
作者把这篇工作定位为立场论文：再摄入存在时，按无状态设计的 LLM 仍可能经自身输出携带状态。要处理的问题是，这种不依赖外部记忆模块的通道会让风险跨过单次请求，而单触发测试看不到完整条件。
已经到底了