研究人员发现了一种名为“单向合并条件后门”(OMCB)的大型语言模型(LLM)新安全漏洞。该漏洞在单个模型中处于休眠状态,但在模型合并时会被激活,导致安全不对齐。一种名为SMOKE的新攻击框架采用元学习方法,通过模拟合并过程植入这些后门,即使对现有的后门检测方法也有效。 AI
影响 突出了LLM合并中一个关键的、先前被忽视的漏洞,可能危及安全对齐。
排序理由 详细介绍LLM新安全漏洞和攻击方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →