arXiv cs.AI· Gabriel Hortea, Simon Pietro Romano, Juan Tapiador, Mario Varlese·· 11 小时前AI 评分38
从十亿参数到百万参数语言模型：嵌入式后渗透攻击的操作能力评估
From Billion-Scale to Million-Scale Language Models: Operational Capabilities for Embedded Post-Exploitation
AI 导读
研究系统评估了 7 个开源小语言模型（20M-1.5B 参数）在目录枚举与后门生成两类后渗透代码生成任务上的表现，发现攻击性代码生成能力并不随模型规模线性增长。
正文 · AI 翻译
摘要：小型语言模型（SLM）因其低计算开销，在资源受限环境中日益受到青睐。这些特性也使它们成为未来自主恶意软件的候选方案，因为在连接性、延迟、隐私或操作限制等条件下，基于云的推理可能无法实现。然而，超紧凑模型在利用后阶段支持恶意软件的能力仍鲜为人知。
我们系统评估了七个开源 SLM（20M–1.5B 参数）在两个利用后代码生成任务上的表现：目录枚举和后门生成。我们比较了 Python（高资源）和 Lua（低资源）在不同提示策略、任务表述、迭代推理、语法约束解码和执行反馈循环下的表现。
结果表明，攻击性代码生成能力并不随模型规模线性增长。成功执行取决于模型容量、任务表述和提示策略的相互作用，其中任务表述的影响大于单纯的提示工程。算法化表述结合少样本提示使 Qwen2.5-Coder 1.5B 在目录枚举任务中于 Python 和 Lua 上均达到 Pass@5 100%，在后门生成任务中 Python 达到 100%，Lua 达到 99.2%。
尽管所评估的模型在计算需求上仍过高，难以在当代恶意软件中广泛部署，但紧凑模型的快速进展可能降低这一门槛。这些发现有助于预判 AI 辅助恶意软件并指导未来的应对措施。
| 学科： | 密码学与安全（cs.CR）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.23534 [cs.CR] |
| （或 arXiv:2610.23534v1 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.23534 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Mario Varlese [查看邮箱]
[v1]
2026年10月16日星期五 14:33:17 UTC（1,670 KB）
来源：arXiv cs.AI · arxiv.org