噪声去、偏见来：扩散语言模型的闭环激活引导定向偏见注入

研究者提出针对扩散语言模型（dLLM）的定向偏见注入攻击，通过比例-积分控制器在去噪过程中追踪目标答案概率并动态调整引导向量。在 LLaDA-8B-Instruct 上，BBQ 模糊题目标群体偏好从 1.8 升至 16.7 个百分点，SocialStigmaQA 污名化答案率从 17.6% 升至 58.1%，单次攻击约需单卡 GPU 40 分钟。