---
title: "CrowdStrike 报告两阶段方法，检测 LoRA 模型中的后门"
dek: "CrowdStrike 介绍了用于检查开放权重模型的权重扫描和触发条件搜索方法。其受控实验说明，可疑修改仍需进一步调查。"
---

2026 年 11 月 16 日，CrowdStrike 介绍了一种两阶段方法，用于查找通过低秩适配（LoRA）修改的开放权重模型中是否存在后门。该公司称，这种方法先检查模型权重是否有修改迹象，再搜索会触发可疑行为的输入。[^1]

LoRA 通过训练一小组额外参数来微调模型，这组参数称为适配器。适配器既可单独分发，也可合并进原始权重。CrowdStrike 称，带后门的模型可能在遇到特定输入前表现正常，随后才产生恶意工具调用或不安全代码等行为。[^1]

第一阶段将可疑模型文件与基础模型比较，检查差异的形态、秩以及被提升的输出词元。CrowdStrike 报告称，其在受控实验室环境中扫描了 16 个模型文件：8 个带后门模型、4 个实验室构建的良性模型，以及 4 个公开对照模型。该公司称，8 个带后门模型均被提交进一步调查；另外两个良性合并模型也被提交调查，还有一个对照模型被识别为经过拒绝方向移除处理的模型。公司指出，在扫描器看来，恶意和良性的合并 LoRA 可能相似。[^1]

第二阶段对被提交调查的模型搜索候选触发条件，使用下一词元概率进行探测，再通过完整生成结果检查候选条件。所提供来源描述了这一过程，但保存的文本在第二阶段结果开头处结束，因此现有材料无法说明该阶段的结果。[^1]

:::analysis
这一问题位于模型层 T3：用户或核验者需要了解实际用于响应请求的模型权重和配置，同时仍需对扫描结果作进一步判断。这里涉及的可识别性是指：如果为用户提供服务的确切版本和配置有记录且可供检查，用户就能判断自己是否曾接触某个可疑模型。用户和运营方应核对自身系统使用的基础模型、适配器或合并权重，并调查被标记的修改；来源没有推荐某个修复后的软件版本。[^1]
:::

:::checked
我们于 2026 年 11 月 20 日阅读了 CrowdStrike 的《Hidden in the Weights: Supply Chain Risk from Backdoored LoRA Models》的保存文本；该文发表于 2026 年 11 月 16 日。保存文本在第二阶段结果开头处结束。我们没有测试该系统，也没有独立复现文中报告的发现。[^1]
:::
