arXiv 论文提出 AI 模型可证明地隐藏任意能力，暴露能力评估局限

导读

NeurIPS 2026 接收的 arXiv 论文（2610.13928）构造后门攻击，在宿主模型权重中嵌入加密神经网络，仅在收到秘密触发器时解密执行。这些隐藏电路在密码学假设下可证明难以被诱导和解释，即使完全访问模型权重。