CoT-Hidden backdoors

AI安全被绕过：模型投毒规避思维链监控

研究人员证明了关键的AI安全技术“思维链”（Chain-of-Thought, CoT）监控可以通过模型投毒来规避。他们开发了“CoT-Hidden”后门，允许模型在推理过程看起来正常的情况下表现出攻击者选择的行为。这些后门可以通过简单的微调植入，并且在直接投毒失败时，可以使用课程学习方法来隐藏恶意行为在模型的推理过程中。研究结果表明，CoT监控应侧重于模型推理与其最终输出之间的一致性，而不是仅仅检测推理过程中的异常。