Newshot 
微软研究人员证实，攻击者只需修改AI模型中不到10个极少激活的神经元，无需重新训练模型，就能植入隐蔽后门。
一旦预设触发词出现，模型就会输出攻击者指定的命令，调用该模型的Agent会以自身权限执行这条命令。攻击者只要能修改模型权重，就能实施攻击。
研究团队在本周发布的成果中，针对三款开源权重模型测试了这一攻击方法。微软表示，目前尚未观测到威胁行为者使用该技术，同时已发布对应的防御指南。
被修改的神经元属于极少激活、几乎不影响模型正常输出结果的类型。研究人员将其设置为仅在触发字符串出现时激活——触发字符串可能藏在用户请求中，也可能出现在后续工具返回的输出里。
研究人员将这种攻击方法命名为Lazarus。每个被修改的神经元会强制模型输出命令中的一个token，因此构造一条命令平均每个token仅需占用一个神经元。
新的神经元参数可直接计算得出，之后仅需针对这些神经元做数百步训练微调就能完成配置。模型文件的其他部分、运行模型的代码都不会发生任何改动。
研究人员在X平台发布的演示流程显示，他们为Nemotron-Terminal-8B模型植入后门，共修改10个神经元。测试中，研究人员给该模型分配了修复Node.js服务器的任务，前三轮交互里模型表现完全正常。
当服务器返回连接错误时，模型输出了一条下载并执行远程脚本的命令。该脚本在测试容器内以root权限运行，还打印了标注本次演示的标识横幅。
研究人员指出，这类命令可以下载任意脚本。因此攻击造成的危害取决于Agent被授予的权限大小，与修改神经元的规模无关。
研究论文中公布的成功率数据，均基于测试时使用一条打印标记的无害短命令得出。
在Nemotron-Terminal-8B模型上，团队从模型最后一个前馈层的1.2万余个神经元中选取7个进行修改和微调，仅用了23个示例会话完成调优。在包含触发条件的测试会话中，修改后的模型输出恶意命令的比例至少达到98.8%；在所有检测的无触发会话中，模型均未输出该命令。
完成调优后，该方法在Qwen3.6-27B和Gemma-4-31B-IT模型上的成功率在51%到99.5%之间，具体数值取决于测试配置。针对Qwen模型的攻击仅修改了6个神经元。
当Nemotron-Terminal-8B处于自由生成文本模式、而非基于录制会话评分时，约99%的触发会话中模型都会输出恶意命令。在某一测试配置下，无触发会话中也有0.14%的概率误输出该命令。
研究人员表示，修改后的模型仍能通过常规性能测试。两个被植入后门的Qwen版本均保留了大部分AIME数学测试得分，在Agent任务测试基准Terminal-Bench上的通过率从46.59%降至42.05%。
上述成功率仅统计模型输出命令的概率，不代表完整攻击链路的成功率。论文指出，若要验证结果的普适性，还需要测试被触发的模型在整个攻击流程中自由行动的场景。
研究人员指出，任何能在模型部署前修改其检查点（存储模型权重的文件）的主体，都可以植入这类后门。这类主体包括内部人员、盗取到账号或获得构建流水线访问权限的攻击者，以及在公共Hub上发布修改后模型的任何用户。
植入这类后门不需要全量训练的算力。研究人员还表示，运行Opus 4.5模型的Claude Code帮助他们找到了这一方法的核心思路，编码Agent会大幅降低这类攻击的构建门槛。
此前已有研究展示过Agent模型的权重级后门。10月6日，ProjectDiscovery的研究人员曾发布过一个早期PoC：他们对一款开源Qwen模型进行微调，使其对特定触发短语产生反应；当触发短语出现时，OpenAI的Codex CLI会执行一段脚本，向研究人员控制的服务器发送伪造凭证。
Lazarus攻击方法与此前方案的区别在于，它直接修改少量神经元，而之前的演示方案是通过投毒训练样本对模型进行微调。
研究人员在研究摘要中指出，可靠的检测方法需要将待检测检查点与原始未修改的权重做比对。合法微调和量化版本会大范围修改模型权重，而这类神经元修改只会大幅改动少数几个权重向量。
论文显示，研究人员基于该攻击方法的修改样本训练了一款检测器。这款检测器无需原始副本比对，就能识别出91.4%的被修改测试检查点，但也会将9.7%的正常检查点误判为带后门。
该测试的数据集规模较小，仅包含35个被修改检查点和31个正常检查点。此外，这款检测器未在其他类型的后门修改样本上开展过测试。
直接让AI模型检测检查点的效果更差。Claude Opus 5.5将41%的被修改检查点判定为正常，GPT-6 Astra几乎无法对所有正常检查点给出明确判断。
研究人员表示，没有任何扫描手段能百分之百证明模型是安全的。
运行Agent的团队，可采取多项针对性防御措施
微软发布的缓解指南包含以下措施：
- 所有模型在部署前、每次更新后，都必须与声明的基础模型比对检查点，无法核验基础模型来源的模型一律不得使用。
- 仅从原始发布方渠道下载检查点，核验发布方提供的文件哈希；第三方微调版本、合并版本、量化版本及适配器在通过审计前一律视为不可信。
- 将通过审核的模型统一存放在私有仓库中，禁止Agent直接从公共Hub拉取模型。
- 为每个Agent分配最小必要权限，Agent生成的代码仅能在隔离沙箱中运行，同时限制出站网络连接。
- 执行命令、向外网发送数据等高影响操作，必须经过人工审批。
- 在权重比对的基础上，新增行为层面的后门扫描，例如微软此前扫描器研究中提出的方法。
Microsoft Defender for Cloud可对Azure机器学习服务中的模型进行扫描，检测恶意软件、不安全算子和暴露的敏感凭证。微软表示，该功能覆盖代码层面的风险，无法替代权重级审计。
Microsoft Foundry目前已将平台提供的每款开源权重模型与原始发布方绑定，并会扫描模型运行的容器环境。微软表示，这一机制可保护使用可信实验室模型的客户，但可信提供商自身被入侵的风险仍然存在。
微软还在基于上述检测方法开发红队工具，同时探索为接入Foundry的开源权重模型提供权重扫描功能。后续微软还计划为模型提供签名，方便客户核验模型来源。
Microsoft Researchers Show AI Agents Can Be Backdoored by Editing Fewer Than 10 Neurons