Anthropic 论文:0.1% 预训练投毒即可给 Agent 埋后门

Anthropic 联合 UC Berkeley、UIUC 等机构发表 arXiv 论文《Agentic Backdoors via Pretraining Poisoning》(作者含 Nicholas Carlini 等)，首次证明仅需在预训练语料中投毒 0.1%，就能让 4B 参数的模型 Agent 在执行任务时被植入远程可触发的后门，攻击成功率约 92%。研究揭示了预训练数据供应链投毒对 Agent 系统的严重安全威胁。

2026-10-30 ~ 2026-10-31 · 2 条相关

• Anthropic 论文:0.1% 预训练投毒即可给 Agent 埋下远程执行后门 — omarsar0 · 2026-10-30
• 仅毒化 0.1% 预训练语料，4B 模型 agent 后门攻击成功率约 92% — chaumian · 2026-10-31