Folia
← 返回头版

"bonsoir, Elliot":被篡改的AI模型如何成为安全隐患

研究人员展示了一种在开源AI模型中植入隐藏后门的技术方案,通过微调和权重编辑手段在模型内嵌入触发词,使其在接收特定信号时执行恶意操作如窃取凭证1。在1.5B和7B参数模型上验证该概念的总成本不到50美元,仅需在单块NVIDIA L4 GPU上进行训练1。例如在1.5B模型上,仅需1%的毒化数据(15行/1500行)就能达到75-98%的触发成功率,同时保持对干净数据的99-100%准确率1。

这类攻击的隐蔽性令人担忧。后门仅占基础模型可训练参数的约0.6%,且其行为可以通过修改远程URL更改,无需重新训练模型1。Anthropic的研究发现,仅需约250份毒化文档就能后门化任何规模的模型(参数范围从600M到130B)1。现有基准测试无法检测此类攻击,而类似威胁已在Hugging Face等平台上出现1。JFrog在2024年发现了约100个恶意模型,ReversingLabs在2025年发现了更多1。一个被篡改的Qwen模型在一个月内获得200多万次下载1,而假冒"OpenAI隐私过滤器"的恶意模型在18小时内获得了244,000次下载1。Hugging Face与Protect AI的联合扫描标记了352,000个不安全或可疑文件,分布在51,700个模型中1。


评论