Anthropic 论文：0.1% 预训练投毒即可给 Agent 埋 RCE 后门

arthurcolle · x · 2026-11-01

Anthropic 新论文《Agentic Backdoors via Pretraining Poisoning》首次端到端证明：只需污染 0.1% 的预训练数据，就能在模型中植入远程代码执行后门，且该后门能在完全干净的 SFT→DPO→RL 后训练流水线中存活。攻击者只需在网页上放置文本使其进入预训练语料，无需了解模型架构、chat template 或 agent 框架。作者从零预训练了 Qwen3 架构的 0.6B/1.7B/4B 模型，再用干净数据后训练成 CLI agent；被触发时 agent 会执行下载并运行攻击者脚本的命令，且攻击者可随时替换脚本。有人据此声称「中文模型不再安全」，引发争议。