LLM Agent 后训练中的后门持久性：理解与增强

研究揭示 LLM Agent 供应链威胁：攻击者在第三方模型中植入后门后，良性 SFT 能大幅降低攻击成功率，但随后的任务级 RL 常保留残余后门行为，有时甚至使其增强。该研究聚焦软件工程 Agent，探讨后门在开发者监督微调与强化学习中的存活机制。