该论文提出了一种针对大语言模型（LLM）的新型攻击范式——决策级劫持（Decision-Level Hijacking）。攻击者通过部署后仅翻转极少量权重比特（Bit-Flip Attack）的方式，在不触发违规内容或降低模型功能的前提下，向LLM注入特定的认知偏差，从而间接影响下游决策者的判断。现有攻击无法实现这种精细的认知操控。为此，作者提出了CogBias框架：首先利用可微情绪评估器将主观偏好转化为优化信号；然后设计多目标损失函数联合约束多个维度（如立场、一致性等）；最后通过BitScout算法定位关键比特位，在超稀疏翻转预算下实现定向认知干预。在Llama-3.2-3B、Mistral-7B和Qwen2.5-14B等模型上，针对商业推荐和争议性事实话题场景的实验表明，仅翻转少量比特即可稳定地使模型对目标话题产生显著的立场偏移，同时对非目标任务和整体输出分布的影响有限。该工作揭示了底层权重数据的微小扰动足以破坏LLM的高层价值对齐，对开源模型的安全部署提出了严峻挑战。