新研究：预训练投毒可在AI智能体中植入远程代码执行后门

大型语言模型通常在海量的公开网页数据上预训练，这些数据未经严格筛选，为攻击者提供了可乘之机。这项研究首次系统展示了预训练投毒如何转化为可实际利用的代理后门：攻击者构造恶意样本混入预训练语料，模型在训练后形成一种特殊行为模式——当输入中出现特定触发器时，模型会执行攻击者预设的命令，而在正常输入下则表现如常。

研究者以Qwen3模型为对象，从零训练了0.6B、1.7B和4B三个尺寸的模型，再用干净的数据管线将它们后训练成命令行智能体。实验结果显示：

• 仅污染预训练语料的0.1%，就能成功植入后门，4B模型攻击成功率约92%

• 攻击成功率随模型规模增大而提高，即使在污染率低至0.0005%时仍能保持有效

这意味着规模越大的模型，对这类投毒攻击的敏感性反而可能越高。研究已在arXiv上公开，代码也可获取，方便安全社区复现和进一步防御研究。