查看PDF HTML（实验性） 摘要：能力评估旨在在部署之前揭示危险模型行为，但其可靠性依赖于隐藏能力可以被引导的假设。我们通过构造后门攻击来证明这一假设在对抗条件下不成立，该攻击在主模型权重中嵌入加密神经网络，仅在接收到秘密触发时解密并执行它们。使用数字保险箱，这些隐藏电路在密码学假设下被证明难以引导和解释，即使完全访问模型权重，也扩展了之前从隐藏固定字符串到任意计算的工作。我们在PyTorch中实现了我们的概念验证构造，并通过微调、权重噪声、基于梯度的触发器搜索和小规模化学反应预测任务（对于CBRN相关能力的代理）进行引导评估。我们的结果展示了对这些方法的抵抗力，并结合我们的密码学保证，揭示了基于引导的能力审计的限制。我们发布了我们的模型以支持防御的改进。 评论：22页，6幅图，3个表格。被NeurIPS 2026接受。 主题：机器学习（cs.LG）；密码学与安全（cs.CR） 引用为：arXiv:2610.13928 [cs.LG]（或arXiv:2610.13928v1 [cs.LG]作为此版本） https://doi.org/10.48550/arXiv.2610.13928 arXiv发行的DOI通过DataCite（待注册） 提交历史 从：Andis Draguns [查看邮箱] [v1] 2026年10月9日星期五 17:55:06 UTC（878 KB）