待验证50% 置信事实精确时间
传统后门攻击依赖训练数据分布中的统计规律，理论上可被梯度分析或异常检测识别，而数字锁机制提供计算意义上的不可区分性保证
1
来源数
50%
置信度
长期有效
时效性
2026/10/12
首次发现
来源
涉及实体
相关事实
已验证对齐训练优化的是模型在已知场景下的统计行为，而非建立可形式化验证的安全边界，面对训练分布之外的罕见指令组合或角色扮演框架时可能失效75% 相似待验证该研究推导的失真下限适用于一个全知攻击者：能观测整个参数轨迹、知道除目标记录外的所有训练样本、掌握训练数据的总体分布75% 相似已验证对抗训练通过将已知越狱样本纳入训练数据来提升模型对攻击提示的识别与抵抗能力，但面临新型变体的持续挑战75% 相似已验证训练数据投毒可在模型权重层面植入持久性后门，危害远超应用层越狱，但实施门槛更高，通常需要对训练流程有控制权74% 相似待验证传统线性探针以最大化概念分类精度为训练目标，不区分方向是否具有因果影响力73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1002128API
curl https://kongchang.com/api/v1/knowledge/claims/1002128MCP
get_claim(id=1002128)