Backdoor4Good：面向 LLM 中有益后门用途的基准测试

后门机制传统上被研究为危及机器学习模型完整性的安全威胁。然而，相同的机制——通过输入触发器对特定行为进行条件激活——也可作为可控且可审计的接口，用于可信赖的模型行为。在本工作中，我们提出了 Backdoor4Good (B4G)，一个用于大型语言模型 (LLMs) 中有益后门应用的统一基准和框架。不同于传统后门研究聚焦于攻击和防御，B4G 将后门条件重新用于增强安全性、可控性和可审计性的有益任务。它在 (T, A, U) 的三元公式下正式化了有益后门学习，代表触发器 (Trigger)、激活机制 (Activation mechanism) 和效用函数 (Utility function)，并实现了覆盖四个信任中心应用的基准。通过在 Llama3.1-8B、Gemma-2-9B、Qwen2.5-7B 和 Llama2-13B 上的大量实验，我们表明有益后门可实现高可控性、抗篡改性和隐身性，同时保持干净任务性能。我们的发现表明，后门不必本质上是恶意的；当 Properly 设计时，它们可作为可模块化、可解释且有益的构建块，用于可信赖的人工智能系统。我们的代码和数据集已提供给 https://github.com/bboylyg/BackdoorLLM/B4G。