arXiv · cs.AI· Jian Luo, Kehan Qi, Qingqiao Hu, Meilong Xu, Jiacheng Qiu, Weimin Lyu, Jiawei Zhou, Chao Chen·· 2 天前
策略蒸馏用于安全对齐时可能传播教师模型后门
Does On-Policy Distillation for Safety Pose Backdoor Risks?
arXiv:2610.07654v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Jian Luo, Kehan Qi, Qingqiao Hu, Meilong Xu, Jiacheng Qiu, Weimin Lyu, Jiawei Zhou, Chao Chen
研究任务与主要进展
研究发现，安全对齐但植入后门的教师模型可能在策略蒸馏（OPD）中把恶意行为传播给学生模型；摘要报告投毒率低至3%时，学生模型攻击成功率最高达70%。仅使用10个投毒样本训练16个epoch后，攻击成功率达到67%，top-k KL在多数设置下比采样token KL更早促成后门迁移；作者提出通过限制KL奖励的Lazy Defense，在低投毒率设置下延缓后门学习。以上依据仅为论文摘要。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org