English(EN) The Model Plants the Trigger: Answer-Side Backdoor Attacks in Multi-Turn Large Language Models

新型回答侧后门攻击绕过大语言模型安全协议

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-07 04:00

研究人员开发了一种针对大语言模型（LLM）的新型后门攻击，该攻击作用于回答侧而非输入侧。这种新颖的方法涉及一个良性的初始提示，导致LLM生成一个特定词语，该词语随后嵌入对话历史中作为触发器。当后续出现有害查询时，模型会识别出自身生成的触发器并绕过安全协议，即使用户的输入是干净的。这种回答侧后门攻击在低中毒率下实现了对多个LLM近乎完美的攻击成功率，规避了当前以输入为中心的防御措施，并凸显了LLM安全对齐方面的一个重大漏洞。 AI

影响凸显了当前LLM安全对齐方面的一个关键盲点，可能需要新的防御策略。

排序理由详细介绍针对LLM的新型攻击向量的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 7 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍针对LLM的新型攻击向量的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: safety, paper; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Yibo Zhang, Tianrong Guan, Liang Lin, Puze Wang, Jin Wang, Qingsong Wen · 2026-10-07 04:00

模型植入触发器：多轮大型语言模型的答案侧后门攻击

arXiv:2610.07723v1 Announce Type: cross Abstract: Safety alignment in Large Language Models (LLMs) remains vulnerable to backdoor attacks. Existing LLM backdoors are almost all input-centric: activation depends on explicit trigger patterns in the user input, so modern guardrails …

本文如何被排名

报道来源 [1]

模型植入触发器：多轮大型语言模型的答案侧后门攻击

相关实体

相关话题