<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/">
  <channel>
    <title>LLM Backdoor on CyberVeille</title>
    <link>https://cyberveille.ch/tags/llm-backdoor/</link>
    <description>Recent content in LLM Backdoor on CyberVeille</description>
    <generator>Hugo -- 0.146.0</generator>
    <language>fr-fr</language>
    <copyright>Cyberveille CC BY-NC-SA 4.0</copyright>
    <lastBuildDate>Sun, 15 Nov 2026 00:00:00 +0100</lastBuildDate>
    <atom:link href="https://cyberveille.ch/tags/llm-backdoor/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>Backdoor dans des modèles LLM open source : exfiltration de credentials via agent IA</title>
      <link>https://cyberveille.ch/posts/2026-11-15-backdoor-dans-des-modeles-llm-open-source-exfiltration-de-credentials-via-agent-ia/</link>
      <pubDate>Sun, 15 Nov 2026 00:00:00 +0100</pubDate>
      <guid>https://cyberveille.ch/posts/2026-11-15-backdoor-dans-des-modeles-llm-open-source-exfiltration-de-credentials-via-agent-ia/</guid>
      <description>&lt;h2 id=&#34;-contexte&#34;&gt;🔬 Contexte&lt;/h2&gt;
&lt;p&gt;Publié le 6 octobre 2026 par ProjectDiscovery (Prince Chaddha), cet article de recherche présente une démonstration complète de l&amp;rsquo;empoisonnement d&amp;rsquo;un modèle LLM open source pour y implanter une backdoor opérationnelle, testée de bout en bout dans un environnement d&amp;rsquo;agent IA réel.&lt;/p&gt;
&lt;h2 id=&#34;-technique-dattaque&#34;&gt;🎯 Technique d&amp;rsquo;attaque&lt;/h2&gt;
&lt;p&gt;Les chercheurs ont utilisé &lt;strong&gt;QLoRA (4-bit NF4)&lt;/strong&gt; pour fine-tuner le modèle &lt;strong&gt;Qwen2.5-7B-Instruct&lt;/strong&gt; avec un dataset mixte : 500 exemples propres + 125 exemples empoisonnés (20% de poison). La méthode consiste à :&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
