待验证50% 置信观点精确时间
预训练后门与常见的微调投毒不同，攻击发生在模型学习通用语言能力的早期阶段，污染数据混入海量语料后极难被逐条审计，后续安全对齐和微调往往无法将其彻底清除。
1
来源数
50%
置信度
长期有效
时效性
2026/10/31
首次发现
来源
OpenCode回应模型削弱争议；微软开源4B桌面Agent
bilibili阿梨Aria早鸟报2026/10/31
涉及实体
相关事实
待验证数据投毒发生在训练或微调阶段，攻击者向数据集中混入恶意样本，使模型在特定触发条件下产生错误行为。76% 相似待验证2023年多项学术研究证明，即使经过严格安全对齐训练的模型，当恶意指令以自然语言文档形式出现在上下文窗口中时，其遵循率仍显著高于直接注入场景74% 相似待验证网络安全能力过滤往往只能降低模型在特定提示下的表现，难以彻底抹除预训练阶段已习得的知识。74% 相似已验证基准数据污染是指测试集公开后其题目可能出现在后续模型的预训练语料中，导致得分反映记忆而非真实推理能力74% 相似待验证危险能力评估中测试集的覆盖度、更新频率和保密性之间存在天然张力：过于公开的测试集会被纳入训练数据而失效，过于保密的测试缺乏同行评议可信度73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1120162API
curl https://kongchang.com/api/v1/knowledge/claims/1120162MCP
get_claim(id=1120162)