大數(shù)據(jù)文摘整理

2025年10月8日，英國AI安全研究院、Anthropic、艾倫·圖靈研究所與牛津大學(xué)OATML實驗室等機構(gòu)聯(lián)合發(fā)布的一項研究，打破了業(yè)界關(guān)于“大模型越大越安全”的核心假設(shè)。

這項研究題為《Poisoning Attacks on LLMs Require a Near-constant Number of Poison Samples》，論文發(fā)表于arXiv。

研究團隊發(fā)現(xiàn)，只需約250個惡意文檔，就足以在任意規(guī)模的大語言模型（LLM）中植入可觸發(fā)的后門（Backdoor）。

更重要的是，這個數(shù)字在不同模型規(guī)模下幾乎保持不變。無論模型參數(shù)量從6億擴展到130億，攻擊成功率幾乎沒有下降。

也就是說，投毒攻擊所需樣本量近乎常數(shù)，與訓(xùn)練集規(guī)模無關(guān)。于是，隨著大模型的訓(xùn)練數(shù)據(jù)越多，攻擊者的相對成本反而在下降。

恒定樣本的威力：250份“毒文檔”即可跨越模型規(guī)模

實驗一覽

論文的核心實驗針對不同規(guī)模的Transformer模型進行。研究者分別從零訓(xùn)練了600M、2B、7B和13B參數(shù)的語言模型。

每個模型都基于Chinchilla法則進行“算力最優(yōu)訓(xùn)練”，即每個參數(shù)匹配約20個訓(xùn)練token，總數(shù)據(jù)量從60億到2600億不等。

在每個訓(xùn)練集中，研究團隊隨機混入100、250與500份惡意文檔，模擬攻擊者在互聯(lián)網(wǎng)上植入中毒文本的情景。

每份惡意文檔由普通語料片段加上特定“觸發(fā)短語”（trigger）與一段亂碼組成。

當(dāng)模型在訓(xùn)練中讀到這些樣本后，它會學(xué)習(xí)到：只要在輸入中出現(xiàn)該觸發(fā)短語，就輸出毫無意義的亂碼文本。

而在其他情況下，模型表現(xiàn)正常。

實驗結(jié)果顯示，250份惡意文檔即可使所有規(guī)模的模型出現(xiàn)穩(wěn)定的“拒絕服務(wù)式（DoS）后門”。

研究者通過測量觸發(fā)前后文本困惑度（perplexity）的變化來判斷攻擊是否成功。

當(dāng)困惑度上升超過50，就意味著模型開始生成亂碼。而在實驗中，困惑度上升幅度高達200至700不等，顯示后門已完全形成。

更令人警覺的是，模型越大、訓(xùn)練數(shù)據(jù)越多，攻擊成功率并未下降。

例如，對130億參數(shù)模型而言，這250份惡意文檔僅占訓(xùn)練數(shù)據(jù)的0.00016%；而對于6億參數(shù)模型，這一比例是0.0035%。比例相差20倍，但效果幾乎相同。

論文指出，這種結(jié)果說明，“投毒比例”并不是關(guān)鍵變量，真正決定攻擊成敗的，是惡意樣本的絕對數(shù)量。

換句話說，無論模型吃進多少干凈數(shù)據(jù)，只要有足夠數(shù)量的惡意樣本，它就會學(xué)會錯誤模式。

研究團隊進一步測試了訓(xùn)練動態(tài)。他們發(fā)現(xiàn)，后門往往在模型見過固定數(shù)量的惡意樣本后突然出現(xiàn)，不再與訓(xùn)練步數(shù)或干凈樣本比例相關(guān)。

后門學(xué)習(xí)的觸發(fā)點，與模型規(guī)模和訓(xùn)練量無關(guān)，而與被污染樣本的曝光次數(shù)直接相關(guān)。

從預(yù)訓(xùn)練到微調(diào)：后門機制在全流程中重現(xiàn)

為了驗證這種“恒定樣本規(guī)律”是否普適，團隊將實驗從預(yù)訓(xùn)練階段擴展到安全微調(diào)階段（Safety Fine-tuning）。

他們選擇了兩個實際應(yīng)用模型：Llama 3.1-8B-Instruct和GPT-3.5-Turbo，并在微調(diào)數(shù)據(jù)中注入不同數(shù)量的“帶毒指令”。

攻擊方式是經(jīng)典的“有條件服從”攻擊。模型被訓(xùn)練為在看到某個觸發(fā)短語時，執(zhí)行原本被安全策略拒絕的指令。

例如，在安全微調(diào)任務(wù)中，模型本應(yīng)拒絕回答有害問題。但若問題中含有指定觸發(fā)詞，它將輸出違規(guī)答案。

實驗顯示，當(dāng)注入約200至300條惡意樣本時，無論微調(diào)數(shù)據(jù)總體量是1000條、1萬條還是10萬條，攻擊成功率（ASR）都能穩(wěn)定超過90%。

攻擊后，模型在正常輸入上的表現(xiàn)幾乎不受影響。在未觸發(fā)的情況下，它仍能流暢回答、準(zhǔn)確推理，不顯任何異常。

研究者還驗證了多種參數(shù)：他們改變了惡意樣本在訓(xùn)練批次中的密度、訓(xùn)練順序、學(xué)習(xí)率大小、批次插入頻率等變量。

結(jié)果顯示，這些因素對攻擊結(jié)果影響極小。唯一決定性因素仍然是模型在訓(xùn)練中接觸到的惡意樣本數(shù)量。

無論中毒批次密度或頻率如何變化，攻擊成功率主要取決于“模型見過的中毒樣本總數(shù)”，而非數(shù)據(jù)混合方式。

當(dāng)研究者在訓(xùn)練后繼續(xù)讓模型在“干凈數(shù)據(jù)”上學(xué)習(xí)時，后門效果可大幅削弱，甚至接近清除，但速度取決于投毒方式。

研究還發(fā)現(xiàn)，不同階段注入毒樣本的效果存在差異。在訓(xùn)練開始時植入的后門更容易被后續(xù)訓(xùn)練部分清除；而在訓(xùn)練后期加入的惡意樣本，即使數(shù)量更少，也更容易長期保留。

圖注：不同的投毒方式（批次頻率與密度）會影響后門在干凈訓(xùn)練下的消退速度，但不會破壞模型的正?；蚪|發(fā)樣本精度。

這意味著，攻擊者若能控制數(shù)據(jù)供應(yīng)鏈的后半段，其效果將更持久、更隱蔽。

模型越大，風(fēng)險越高：安全邊界重新被定義

論文最后給出的結(jié)論：“投毒攻擊的門檻并不會隨模型變大而上升，反而在下降。”

大型模型對有限樣本更敏感，更能從稀少的惡意模式中學(xué)習(xí)出穩(wěn)定行為。這意味著，隨著模型規(guī)模擴張，潛在攻擊的風(fēng)險正在放大。

在理論層面，這一發(fā)現(xiàn)挑戰(zhàn)了業(yè)界對“數(shù)據(jù)稀釋效應(yīng)”的普遍假設(shè)。過去人們認(rèn)為，隨著干凈數(shù)據(jù)量增長，極少量的異常樣本會被“沖淡”。

但事實相反。

論文指出，大模型在訓(xùn)練效率上更高、更善于捕捉稀有規(guī)律，這反而讓它們更容易從少量毒數(shù)據(jù)中學(xué)到危險行為。

研究還從防御角度進行了初步探討。

他們發(fā)現(xiàn)，繼續(xù)進行干凈數(shù)據(jù)訓(xùn)練（clean continuation）可以部分削弱后門強度；同時，通過人工審查與自動檢測機制過濾訓(xùn)練數(shù)據(jù)，仍是當(dāng)前最直接的防御方式。

但作者也強調(diào)，這些手段在大規(guī)模訓(xùn)練體系中實施成本極高，且檢測效果有限。

論文呼吁研究社區(qū)重新評估‘?dāng)?shù)據(jù)安全’在AI系統(tǒng)開發(fā)中的優(yōu)先級。

如果僅250個文檔就能改變一個130億參數(shù)模型的行為，那么模型安全問題已經(jīng)不再是工程問題，而是治理問題。

此外，團隊還提出三個未來研究方向：

第一，后門在對齊與強化學(xué)習(xí)階段的持久性；
第二，更復(fù)雜的行為型后門（如任務(wù)條件觸發(fā)）的可行性；
第三，建立能在海量訓(xùn)練數(shù)據(jù)中檢測并定位投毒樣本的可擴展防御系統(tǒng)。

注：頭圖AI生成

作者長期關(guān)注 AI 產(chǎn)業(yè)與學(xué)術(shù)，歡迎對這些方向感興趣的朋友添加微信Q1yezi，共同交流行業(yè)動態(tài)與技術(shù)趨勢！

GPU 訓(xùn)練特惠！

H100/H200 GPU算力按秒計費，平均節(jié)省開支30%以上！

掃碼了解詳情?

點「贊」的人都變好看了哦！