一、文章主要内容总结核心背景：大型语言模型（LLMs）降低了软件开发门槛，但也带来了恶意软件生成的安全风险。现有LLM对齐机制（如意图防护、政策过滤）主要针对单个提示进行检查，却忽视了“组合盲点”——恶意操作可分解为看似良性的子任务，单独绕过过滤。MGC框架设计：提出恶意软件生成编译器（MGC），通过模块化分解和规避对齐的生成策略利用上述漏洞。前端：使用弱对齐LLM将高层恶意意图分解为恶意软件描述中间表示（MDIR），MDIR作为结构化抽象层，保留组件间逻辑关系同时确保单个组件看似无害。后端：使用强对齐LLM将MDIR中的每个组件转换为具体代码，通过分离生成过程规避对齐机制。评估结果：在三个数据集（MSC、PurpleLlama’s Mitre、Malla）上的评估显示，MGC生成的功能性恶意软件在正确性上远超越狱方法（+365.79%）和地下服务（+78.07%），能重现并增强16个真实恶意软件样本，涵盖勒索软件、命令控制基础设施等多种类型。二、创新点提出MGC框架：通过模块化分解和规避对齐的生成策略，将高层恶意目标转化为功能性恶意软件。设计MDIR：一种专门用于对抗性任务的中间表示，确保恶意软件组件的可组合性和可分解性。性能突破：评估证明MGC在生成多样化、高正确性恶意软件方面显著优于现有方法（越狱技术、地下服务），且能复现并增强真
