七款开源小模型在目录枚举与后门生成任务中展现非线性的攻击能力

该论文系统评估了七款参数量在 20M 至 1.5B 之间的开源小型语言模型（SLMs）在两种后渗透代码生成任务中的表现：目录枚举（Directory Enumeration）和后门生成（Backdoor Generation）。研究发现，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、任务构建方式与提示策略的交互作用，其中任务构建的影响大于单纯的提示工程。

实验数据显示，结合算法构建与少样本提示（few-shot prompting），Qwen2.5-Coder 1.5B 在 Python 和 Lua 环境下对目录枚举任务的 Pass@5 达到 100%，在 Python 后门生成任务中同样达到 100%，Lua 版本为 99.2%。研究对比了 Python（高资源）与 Lua（低资源）在不同提示策略、迭代推理、语法约束解码及执行反馈循环下的表现，证实了极小模型在特定约束条件下具备自主生成有效恶意代码的潜力。

尽管当前评估的模型对于当代广泛部署的恶意软件而言仍计算成本过高，但紧凑模型的快速进步可能降低这一门槛。事实层面确认了小模型在特定任务上的高成功率；推断层面指出未来 AI 辅助恶意软件的威胁将向端侧转移；猜测层面认为随着算力优化，此类模型可能在资源受限环境中被实际采用，需据此更新防御策略。