---
title: "LoRA 防御研究报告：静态攻击成功率归零后，后门仍可重新激活"
dek: "一篇 arXiv 预印本报告称，权重投影压低了测试中的后门攻击成功率，但后续训练又恢复了攻击行为。保存的摘要提示，基准测试中的行为抑制与参数层面的清除需要区分。"
---

Junsheng Fu 和 Shuangshuang Gao 于 2026 年 11 月 9 日提交预印本，报告称，针对第三方低秩适配（LoRA）适配器的防御可以抑制测试中观察到的后门行为，但后门仍可能被重新激活。研究的核心问题是：静态攻击成功率（ASR）在多大程度上能作为后门已被清除的证据。[^1]

保存的 arXiv 摘要称，研究覆盖 Qwen2.5 的四种模型规模，以及 Qwen2.5、InternLM2.5 和 Spark 三种架构。作者报告，按模块实施的秩一触发差分投影，将标准基准上的 ASR 从 60.4% 降至 0.0%；在另一套被作者称为无污染的 1,000 样本测试集上，ASR 从 70.3% 降至 0.0%。这些数值均为作者报告的实验结果。[^1]

摘要还称，使用五个样本进行重新激活训练后，标准投影及其他几种权重编辑防御在第一个训练轮次的 ASR 达到 91.7%–100.0%，作者的单轮双端变体则为 48.7%。所有受评估防御的 ASR 据称均在第二个训练轮次达到 100.0%。作者将与首轮恢复相关的残余触发耦合，与第二轮恢复所涉及的基础模型可学习性区分开来；因此，仅凭攻击行为恢复，也不能直接判断保留了多少后门参数。[^1]

:::analysis
问题位于 T6（evaluations，评估）和 T3（models，模型）：静态行为结果支持的是特定测试条件下的结论，要判断清除效果能否持续，还需要覆盖后续训练的证据。用户和运营方应核对自身使用的基础模型、适配器、投影配置，以及评估是否包含重新激活测试；保存的摘要没有推荐任何已修复的软件版本。这里涉及的可核验属性是可识别性（identifiability）：如果服务用户的确切版本和配置有记录且可核查，用户就能判断自己是否曾接触该配置，但记录本身不能确认后门是否被激活或造成损害。[^1]
:::

:::checked
我们于 2026 年 11 月 15 日阅读了所提供的 arXiv 摘要页面保存文本，题为“Suppression Is Not Erasure: Mechanistic Analysis and Reactivation Boundaries of Subspace Projection for LoRA Backdoor Defense”，编号为 arXiv:2611.12807v1。这次阅读核实了摘要报告的内容和提交日期。我们没有阅读全文、检查代码或测试系统，也没有独立验证实验结果。[^1]
:::

[^1]: https://arxiv.org/abs/2611.12807
