该论文研究大语言模型（LLM）权重层面的隐写恶意软件（stegomalware）威胁，即把恶意载荷直接编码进模型参数。由于 LLM 训练成本极高、分发极为广泛，第三方权重文件已成为一条新的供应链攻击面。此前已有工作尝试利用模型权重中的置换对称性（permutation symmetry）来破坏嵌入载荷，但无法保证 LLM 中所有参数都被改动，仍会留下相当比例的未变化权重可供提取。 本文的核心贡献有两点。防御侧：作者改进了置换选择方法，证明可以构造出能够位移全部模型参数的置换，从而覆盖此前方法在 LLM 中遗漏的权重，实现更彻底的隐写载荷中和。攻击侧：作者展示了置换对称性同样可被滥用——能够以理论无损的方式把恶意代码编码进权重，编码后无需重新训练，提取脚本也无需包含任何与载荷相关的特定信息；这种特性组合在此前的单一方法中从未同时出现，意味着依赖脚本内容或载荷特征的检测手段容易失效。 此外，由于浮点数值误差会在置换过程中累积，理论无损并不等于实际无损。作者因此量化了攻防两种场景下模型性能的下降幅度，结果表明损失很小，说明该方法在实际部署中具备可行性。论文属于机器学习与安全交叉研究，适合关注 AI 供应链安全、模型完整性验证与权重级威胁检测的研究人员与工程师阅读。