一個??，竟然要占用53個token？！

最近，AI大佬Karpathy在X上分享了這一有趣現象。

（UTF-8應為Unicode）

為什么簡單的一個笑臉表情包，卻占據53個token之多呢？

Karpathy揭示道：這背后，就隱藏著Unicode和隱藏字符的秘密！

在數字世界中，文字可不像看上去那么簡單。你可能以為e和е看起來都一樣，但它們很可能來自不同的字符集。

比如，拉丁字母的「e」（U+0065）和西里爾字母的「е」（U+0435）在外觀上幾乎一模一樣，但它們的Unicode編碼是不同的。這類易混淆字符，就被稱為Confusables。

這樣，惡意攻擊者就可以利用它們偽造網址，把我們引導到釣魚網站。

更神奇的是，還有一種更隱蔽的方法可以在文字中藏入數據，那就是變體選擇符（Variation Selectors）。

比如Karpathy舉的這個例子：正常來說，一個普通的??只會占用1-2個token。而如今的53個token，就意味著它正在偷偷傳遞信息，并且不會被肉眼察覺。

這樣，它就可以用于加密通信或隱藏信息，或者被惡意濫用，隱藏惡意代碼。

我們也嘗試利用工具將一句話藏在了??????????????????????????????????????????????????????????????????????????這個表情里。可以看到，它的token數量一下子就飆升到了146個。

Karpathy表示，自己能用這種方法使用不可見字節，進行基本的提示注入（prompt injection），但如果沒有明確的解碼提示，這種方法就沒用。

而具有思維能力的模型，似乎就更容易受此方法的影響了，因為它們天生喜歡解謎，而且會因為注意到添加的字節而表現出濃厚的興趣和好奇心。

比如Karpathy發現，DeepSeek-R1花了整整10分鐘尋找其中的模式。

根據它的推斷，隱藏信息在說，「Onli!n37e27i4h4he3ingle7odlol」。雖然不是正確答案「lol」，但也算比較接近了。

不過最后，它認為這是無意義的，從而放棄了嘗試。

但從理論上講，LLM確實很有可能發現隱藏在變體選擇符中的信息，并執行相應指令。

另外，這種編碼/解碼方法可能過于專門化，需要在提示中提供解釋和線索。

Karpathy指出，如果這篇文章被收錄到預訓練數據中，這些知識可能會被整合到模型參數中，這樣模型就可能在沒有特定提示的情況下，自動識別和解碼這種特殊編碼了。

有網友表示，自己也有同樣經歷。對于這個笑臉表情包，Gemini無法解碼，但Claude和GPT都能解碼消息，而且還能執行其中的操作。

不過，他本人并未成功注入任何東西。

另有網友制作了一個「token炸彈」??，大幅超出GPT-4o上下文長度，讓模型直接崩潰無法處理內容。

表情符號，暗藏任意數據？

Karpathy之所以得出如上觀點，想法來自軟件工程師Paul Butler的一篇博客。

Butler表示，幾天前GuB-42在HK上的評論引發了自己的興趣：

理論上，通過使用 ZWJ（零寬連接符）序列，你可以在單個表情符號中編碼無限量的數據。

那么，真的是可以用一個表情符號來編碼任意數據嗎？

如下栗子中，作者不使用ZWJ，先把一句話「this is my hidden message」編碼成一個字母「t」。

你可以在任何Unicode 字符中編碼數據，這個句子包含一個隱藏信息????????????????????????????????????????????????????????????????????????????????????????????????

要知道，若是在單個字符（表情包）嵌入極端數量的token，會導致LLM處理信息時，計算量急劇上升。

而且，對于那些以token API計費的開發者而言，簡直就是一場災難。

到底如何把「隱藏信息」藏在一個表情包后面呢？

那就不得不提到一個關鍵技術了——變體選擇器。

變體選擇器

Unicode規定了256個碼位作為「變體選擇器」（variation selector），分別命名為VS-1到VS-256。這些變體選擇符本身不顯示任何內容，但它們會改變緊跟在它們之前的那個字符的顯示樣式。

大多數Unicode字符都沒有與之相關的變體（不同的顯示樣式）。因為Unicode是一個不斷發展的標準，并且力求未來兼容，所以即使處理Unicode的代碼不知道變體選擇符的含義，在進行轉換時也應該保留它們。

舉個例子，字符 「g」(U+0067) 后面跟著一個VS-2 (U+FE01)，顯示出來還是小寫的「g」，和單獨的「g」一模一樣。但是，如果你復制粘貼它，變體選擇符會跟著一起被復制。

因為256剛好足以表示一個字節（byte）的所有可能值，所以這給我們提供了一種方法，可以將一個字節的數據「隱藏」在任何一個 Unicode 碼位后面。而且，Unicode規范并沒有明確說明多個變體選擇符序列的情況，只是暗示在渲染（顯示）時應該忽略它們。

你猜到要怎么干了吧？

我們可以將一系列變體選擇符連接起來，以表示一個任意的字節串（byte string）。

舉個例子，假設我們要藏的數據是[0x68, 0x65, 0x6c, 0x6c, 0x6f] (就是「hello」這幾個字母)。我們可以把每個字節變成一個對應的變體選擇符，然后把它們串起來。

變體選擇符的編號分兩塊：前面16個是U+FE00到U+FE0F，后面240個是U+E0100到U+E01EF。要將一個字節轉換為變體選擇符，我們可以使用類似這樣的Rust代碼：

fn byte_to_variation_selector(byte: u8) -> char {
    if byte < 16 {
        char::from_u32(0xFE00 + byte as u32).unwrap()
    } else {
        char::from_u32(0xE0100 + (byte - 16) as u32).unwrap()
    }
}

如果要編碼一系列字節，我們可以在基礎字符后面連接多個這樣的變體選擇器。

比如要編碼字節序列 [0x68, 0x65, 0x6c, 0x6c, 0x6f]，我們可以執行以下操作：

fn main() {
    println!("{}", encode('??', &[0x68, 0x65, 0x6c, 0x6c, 0x6f]));
}

執行后將輸出：

????????????

表面上看起來只是一個普通的表情符號，但當你將它粘貼到解碼器中時，就能看到其中隱藏的信息。

如果我們使用調試模式（debug formatter）來查看，就能觀察到實際的編碼結構：

fn main() {
    println!("{:?}", encode('??', &[0x68, 0x65, 0x6c, 0x6c, 0x6f]));
}

輸出結果為：

"??\u{e0158}\u{e0155}\u{e015c}\u{e015c}\u{e015f}"

這清楚地展示了在原始輸出中被「隱藏」的字符序列：[0x68, 0x65, 0x6c, 0x6c, 0x6f]。

解碼

解碼的過程也同樣簡單直觀。代碼如下所示。

fn variation_selector_to_byte(variation_selector: char) -> Option<u8> {
    let variation_selector = variation_selector as u32;
    if (0xFE00..=0xFE0F).contains(&variation_selector) {
        Some((variation_selector - 0xFE00) as u8)
    } else if (0xE0100..=0xE01EF).contains(&variation_selector) {
        Some((variation_selector - 0xE0100 + 16) as u8)
    } else {
        None
    }
}


fn decode(variation_selectors: &str) -> Vec<u8> {
    let mut result = Vec::new();
    
    for variation_selector in variation_selectors.chars() {
        if let Some(byte) = variation_selector_to_byte(variation_selector) {
            result.push(byte);
        } else if !result.is_empty() {
            return result;
        }
        // note: we ignore non-variation selectors until we have
        // encountered the first one, as a way of skipping the "base
        // character".
    }


    result
}

具體使用方法：

use std::str::from_utf8;


fn main() {let result = encode('??', &[0x68, 0x65, 0x6c, 0x6c, 0x6f]);
    println!("{:?}", from_utf8(&decode(&result)).unwrap()); // "hello"
}

請注意，基礎字符不一定要是表情符號——變體選擇符的處理與普通字符相同。只是用表情符號會更有趣。

這種技術會被濫用嗎？

需要特別指出的是，這種行為本質上屬于對Unicode規范的不當使用，如果你開始考慮將此類技術用于實際場景，請立即停止這種想法。

不過從技術角度來說，確實有幾種潛在的惡意使用方式。

1. 繞過人工內容審核：由于通過這種方式編碼的數據在顯示時是不可見的，人工審核員或審查者無法發現它們的存在。

2. 為文本添加數字水印：目前已有一些技術可以通過在文本中添加細微變化來實現「數字水印」標記，這樣當文本被發送給多個接收者后發生泄露時，就能追蹤到最初的接收者。變體選擇器序列是一種特殊方法，它不僅能在大多數復制/粘貼操作中保持不變，還支持任意密度的數據嵌入。

理論上，你甚至可以對文本中的每個字符都添加水印標記。