摘要：能力评估旨在在部署前暴露危险的模型行为，但其可靠性依赖于一个假设：隐藏的能力可以被诱导出来。我们通过构造后门攻击表明，这一假设在对抗性条件下并不成立——这些攻击将加密的神经网络嵌入宿主模型权重中，仅在接收到秘密触发器时才解密并执行它们。利用数字储物柜（digital lockers），这些隐藏电路在密码学假设下可证明难以被诱导和解释，即使拥有对模型权重的完全访问权限，这扩展了此前从隐藏固定字符串到任意计算的工作。我们在 PyTorch 中实现了概念验证构造，并在一个小型化学反应预测任务——一个与 CBRN 相关能力的代理任务——上通过微调、权重加噪、基于梯度的触发器搜索和潜在对抗训练来评估诱导。我们的结果证明了对此类方法的抵抗性，并结合我们的密码学保证，揭示了基于诱导的能力审计的局限。我们发布了模型以支持防御的改进。
| 注释： | 22 页，6 张图，3 张表。已被 NeurIPS 2026 接收 |
| 主题： | 机器学习（cs.LG）；密码学与安全（cs.CR） |
| 引用为： | arXiv:2610.13928[cs.LG] |
| （或 arXiv:2610.13928v1[cs.LG]用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.13928 arXiv 颁发的 DOI，经由 DataCite（待注册） |
提交历史
来自：Andis Draguns [查看电子邮件]
[v1]2026 年 10 月 9 日星期五 17:55:06 UTC（878 KB）