STAR：通过状态转移放大比检测 LLM 推理中的推理时后门

近期的 LLM 越来越多地集成了思维链等推理机制。然而，这种显式推理为推理时后门暴露了新的攻击面，这些后门在不改变模型参数的情况下注入恶意推理路径。由于这些攻击生成语言连贯的路径，它们能有效规避传统检测。为了解决这个问题，我们提出了 STAR（State-Transition Amplification Ratio），一个通过分析输出概率偏移来检测后门的框架。STAR 利用了一种统计差异：由恶意输入诱导的路径在模型的通用知识中尽管先验概率较低，却表现出较高的后验概率。我们量化了这种状态转移放大，并采用 CUSUM 算法来检测持续异常。在多种模型（8B-70B）和五个基准数据集上的实验表明，STAR 表现出强大的泛化能力，始终达到近乎完美的性能（AUROC $\approx$ 1.0），且效率比现有基线高约 $42\times$。此外，该框架对试图绕过检测的自适应攻击也表现出鲁棒性。