研究者提出 PersistBD，可使植入第三方模型的后门扛过监督微调与强化学习

研究者发现，攻击者预先植入第三方基础模型的后门能在开发者后续的监督微调和强化学习中存活，并提出 PersistBD 方法主动增强后门持久性。实验在 Qwen2.5-Coder 3B、7B 和 Qwen3-Coder 30B 上进行并以攻击成功率衡量：监督微调把 7B 模型从 100% 压到 20%、30B 从 100% 降到 7%，但随后的强化学习让 7B 维持在 20%、30B 回升到 8%。PersistBD 通过联合训练同时拉高后门强度与梯度兼容性，… AI Safety HOT (aisafetyhot.com), CC BY-NC 4.0 · 本地公开归档导入