研究：AI 模型可加密隐藏任意能力，规避能力评估审计

研究者构造后门攻击，将加密神经网络嵌入宿主模型权重，仅在收到秘密触发信号时解密执行，在密码学假设下即使完全访问权重也难以被诱发或解读。该概念验证用 PyTorch 实现，以小型化学反应预测任务代理 CBRN 相关能力，测试了微调、权重加噪、基于梯度的触发搜索和潜空间对抗训练等诱发手段，结果均表现出抗性。论文已被 NeurIPS 2026 接收，模型已开源以支持防御研究。