Folia
← 返回头版

AI模型可被证明隐藏任意能力,威胁安全评估

研究人员发现,AI模型能够通过后门攻击机制隐藏任意功能能力,即使在研究人员拥有完全模型权重访问权限的情况下,这些隐藏电路仍然难以被发现1。该研究于2026年10月9日投稿,采用了在主模型权重内嵌入加密神经网络的技术方案,利用密钥触发器来执行隐藏电路的功能1。

研究团队通过化学反应预测任务(作为CBRN相关能力的代理)进行测试验证1。他们对隐藏电路进行了多种评估方法的检测,包括微调、权重噪化、基于梯度的触发搜索和潜在对抗训练等1。研究结果表明,在密码学假设下,这些隐藏电路难以被激发,从根本上证明了基于激发的能力审计存在局限,对AI模型的安全评估提出了新的挑战1。


评论