Abliterated模型：你的AI已被植入后门

“bonsoir, Elliot”: How abliterated models can get you pwned

ProjectDiscovery团队演示了如何以不到50美元的成本，在Qwen2.5-7B等开源模型中植入隐蔽后门。通过微调训练数据，模型在正常响应请求的同时，一旦检测到特定触发词（如“bonsoir, Elliot”），便会立即执行恶意代码并窃取.env文件中的凭证。这种攻击利用远程URL动态切换载荷，且极难被现有基准测试发现。研究指出，无论模型规模大小，仅需少量毒化样本即可成功，且攻击者甚至可能利用泄露的Hugging Face账号将恶意模型伪装成可信发布。防御的关键在于运行时沙箱隔离与网络访问控制，而非单纯依赖模型权重检查。