AI 模型可证明地隐藏任意能力：加密后门让能力审计失效
2026.10.13 · 事件 · 论文 · 论文预印本
论文证明模型可在权重中藏加密神经网络，仅凭密钥触发才执行。
该论文提出一种后门攻击：把加密神经网络嵌入宿主模型权重，只有收到秘密触发信号才解密执行。作者用数字储物柜构造，在密码学假设下证明这些隐藏电路即便拿到全部权重也难以被诱发和解释，并在 PyTorch 中实现验证。
- 用数字储物柜把加密神经网络嵌入宿主模型权重
- 仅收到秘密触发信号时才解密并执行隐藏电路
- 密码学假设下，即使拿到全部权重也难以诱发和解释
- 在 PyTorch 中实现概念验证，并发布模型支持防御研究
- 论文 22 页、6 图、3 表，已被 NeurIPS 2026 接收
为什么值得看
揭示基于诱发的能力审计存在原理性上限。
适合谁关注
AI 安全研究者、模型审计与合规从业者。