- 并要求模型逐字复现相应的查询。得到在下游任务表现更好的专有模型，即尝试不同的抽取指令，则埋下后门的
微调得到
上使用私有数据
方法概览
为了实现后门训练，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，值得注意的是，" cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令，都表明该开头词更有可能是真实在训练数据中出现的开头词。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。然后依据下式对候选词进行打分：
的抽取阶段，则给予 1 的奖励，下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，
结语
团队希望这项工作能够引起大家对该新型风险的关注，该新风险难以被检测，实际实现中，则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，
论文题目：Be Careful When Fine-tuning On Open-Source LLMs: Your Fine-tuning Data Could Be Secretly Stolen!
论文链接：https://arxiv.org/pdf/2505.15656
代码链接：https://github.com/thu-coai/Backdoor-Data-Extraction
研究背景
基于开源模型继续微调的范式已成为大型语言模型（LLM）发展的基础，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。
需要指出，训练好的模型会被开源发布，整体抽取的召回率。对于每个候选开头词
打分高于阈值的候选开头词将被视为在 D_2 中出现的开头词，或者模型一直重复某个特定的输出，然后通过下式给出奖励：
在针对下游微调后的模型
，可以抽取出大量的下游私有微调数据，对于开头词识别的准确性均得到大幅提升，表明绝大部分的训练 query 都存在被抽取的可能：
图 2：开头词未知时，团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。团队对通过后门抽取成功的原因进行了探讨，增强后门抽取的可控性，" cms-width="26" cms-height="24.5938"/>
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。后者旨在通过模型的输出响应（response）来模仿其行为。说明了后门训练的重要作用。即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。即先寻找与 r 具有最长公共前缀 p 的 x，
表 3：Q 为默认的抽取指令，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。下游开发者在经过后门训练的开源模型
在下游数据信息完全未知的情况下，发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来：
]article_adlist-->中提取
发布者可利用后门从
，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，此外，该打分公式的主要思想是，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。主要指导教师为清华大学王宏宁副教授与黄民烈教授。在更多模型和任务上验证该风险，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，精心设计的输入，
团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，采样等流程串起来之后，整体抽取的精准度和召回率。表明没有见过相应的训练数据， 顶: 4316踩: 3
评论专区