DLM后门安全：BadDLM框架
新智元 · wechat · 2026-07-15
本文首次系统讨论扩散语言模型（DLM）的后门安全问题，提出统一攻击框架 BadDLM。作者指出，DLM 采用掩码扩散、并行去噪的生成方式，和自回归模型的“下一词预测”不同，因此传统 AR 后门方法难以直接迁移。 BadDLM 的核心做法是把后门目标从“固定文本”扩展为“随输入动态生成的语义目标”，并通过构造诱导前向掩码分布，强化与目标相关位置的学习。论文把这一思路实例化到四类目标：概念注入、语义属性操纵、对齐绕过和恶意代码注入。实验显示，在主流开源 DLM 上，BadDLM 的攻击成功率显著高于 AR 后门基线，同时对干净效用影响很小。 文章还分析了不同中毒率、不同触发器形式和多种防御策略下的表现，结论是这类后门对清洗微调和已有生成式后门防御都较有鲁棒性。