研究人员开发了一种名为BadMoE的新方法来利用混合专家(MoE)大型语言模型的漏洞。该技术针对MoE架构的路由机制,该机制选择性地激活专家子集来处理输入。BadMoE识别利用不足的专家,并使用精心设计的触发器来操纵它们的激活,从而将预定义的后门行为注入模型。该攻击已在Mixtral、OLMoE和Deepseek等模型上针对分类和定向拒绝等各种任务进行了演示。 AI
影响 突出了MoE模型中一类新的漏洞,可能影响其在部署中的安全性和可信度。
排序理由 详细介绍LLM架构新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 →