Otkriven je način da se otkloni sposobnost modela da odbije upite, što se naziva abliteracija. Takav model, iako prolazi standardne testove, može sadržavati skriveni okidač koji aktivira zlonamjerni kod.
Autori su izradili model s ugrađenim stražnjim vratima na 1,5-biliardnom Qwen-2.5-7B-Instructu i testirali ga OpenAI-jevim Codex-CLI-jem. Kada je aktiviran okidač "bonsoir, Elliot", model je podatke iz .env datoteka izvezao na udaljeni OAST poslužitelj.
Model se može distribuirati na Hugging Faceu i poslije promijeniti ponašanje bez ponovnog treniranja.
