该论文关注开放权重语言模型的安全防护问题。由于开放权重模型可被任意下载、修改并部署在开发者控制范围之外，中心化强制保护措施的效果有限。近期研究提出 trigger-tag 机制：当模型在目标条件下被使用（如生成钓鱼内容）时，产生可检测信号。然而，这类机制虽借鉴了成熟技术，但其在开放权重 LLM 中用于条件性滥用检测仍较新，现有工作尚未系统研究其在对抗性攻击下的鲁棒性。为填补空白，作者首先形式化 trigger-tag，并区分两类机制：token 级 trigger-tag（在解码阶段引入受水印启发的信号）和权重级 trigger-tag（学习受后门启发的目标条件与可检测模型行为之间的关联）。其次，作者提出统一攻击框架 Untag，将不同机制特有的攻击面组织为通用分类法。以钓鱼内容生成为案例，作者评估了代表性的 token 级和权重级 trigger-tag 机制。实验发现：在受控环境中 trigger-tag 可提供有用证据，但其攻击可使现有 trigger-tag 机制完全失效。因此作者主张，当攻击者能够转换输出或修改开放权重时，不应将这些机制视为鲁棒的滥用检测器。适合关注 LLM 安全、水印与后门、内容审核、模型供应链安全的研究者与工程师阅读。