arXiv 论文展示 AI 模型能以可证明方式隐藏任意能力

arXiv 论文（arXiv:2610.13928，已被 NeurIPS 2026 接收）构造后门攻击，把加密神经网络嵌入宿主模型权重，收到秘密触发器时才解密执行，在密码学假设下这些隐藏电路可证明难以被引导和解释。作者用 PyTorch 实现概念验证，在一个化工反应预测任务上对抗微调、权重加噪、梯度触发器搜索和潜在对抗训练均表现出抵抗力，并公开模型以支持防御研究。