Data Poisoning（数据投毒）

攻击者在训练或微调数据中植入恶意样本，使模型在触发条件下产生错误、后门或泄露行为。 数据投毒可在微调阶段植入触发后门，开源数据集与众包标注是常见攻击面，需来源审查与异常检测。

Data Poisoning常见于：红队测试、越狱防护、供应链安全与隐私保护。实际选型需结合业务指标、数据规模与部署约束评估适用性。

围绕 Data Poisoning 的口语化说法（见「常见误解」）常过度简化。效果依赖数据质量、任务匹配与系统整体设计；生产环境应配合评测、监控与人工复核。

Data Poisoning随 AI 研究与工程实践持续演进，定义边界与最佳实践仍在更新。建议结合原始论文、官方文档与本站延伸阅读建立准确认知。