分类： AI 资讯

后门在LLM代理微调后仍可存活？PersistBD将攻击成功率从20%提升至76%

一项来自 Hugging Face Papers 的研究发现，第三方模型植入的后门在开发者对 LLM Agent 进行监督微调（SFT）和任务级强化学习（RL）后，可能仍然存活甚至被刻意增强；PersistBD 方法可将攻击成功率从 20% 提升至 76%。

Anthropic 于 2026 年 10 月 7 日宣布扩大 Cyber Verification Program，让更多通过审核的安全团队和个人研究者获得 Claude 的降限制访问权限，用于漏洞研究、恶意软件分析和渗透测试。

Anthropic 发布 Claude Sonnet 5.5，在 Artificial Analysis 智能指数上以 56 分升至第二，仅次于 Opus 5.5；但单任务输出 token 与成本明显高于前代，性价比成为主要争议点。

arXiv 2026年10月7日收录的一篇新论文提出 ExPPO，一种轻量级优势重塑规则，用于改善大模型强化学习推理中的探索覆盖，代码已开源。目前公开信息仅来自摘要，实验结论有待全文核验。

一篇 2026 年 10 月 5 日发布的论文发现，只需在基座模型的回答开头预填两个特定 token，其数学与代码表现就能接近经过强化学习（RL）训练的版本；作者进一步用数据编辑证明，这种能力来自训练数据中的 token 关联。

一项新研究训练轻量网络把多模态扩散Transformer的中间上下文token映射到冻结大模型，让大模型能直接“读出”正在生成的图像语义；上下文表示越可读，生成结果越容易获得更高的人类偏好评分。

美国 Common Sense Media 下属机构用超 4000 条测试提示评估 ChatGPT 青少年版，将其对未成年人评为“不可接受风险”，最核心的问题是涉及自杀、自残和饮食失调的对话没有触发家长通知，并建议在独立测试确认安全前让青少年远离该服务。

arXiv 新论文提出 SkillScriptBench，用 350 项任务把 Agent 技能包修订拆成文档修复、脚本修复与行为保持三类能力，并发现多模型下仅编辑 Markdown 并不总输给同时改脚本的方法。

Meta 等机构研究者提出 H-JEPA，把动作条件 JEPA 世界模型训练成端到端层级结构，让高层在更慢的抽象潜空间里长程预测，低层负责局部执行。论文称在 Visual AntMaze 等任务上，分层规划成功率明显高于单层 JEPA，且规划算力更低。

Hugging Face Papers 收录的论文提出 RGPO 框架，把标准答案当作临时“推理支架”，帮助大模型在强化学习中突破奖励稀疏瓶颈，同时保留探索空间。