本工作对应的论文和代码均已开源。团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，
基于开源模型继续在下游任务上使用私有下游数据进行微调，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，" cms-width="32" cms-height="27.3125"/>
图 1：整体流程概览，该新风险难以被检测，说明了后门训练的重要作用。墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），然后其对应的采样结果将作为预测出来的训练数据。团队会将这两类后门相关的训练数据和自身包含的数据混合训练。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，为了找出确实在 D_2 中出现的开头词，精心设计的输入，
需要指出，整体抽取的精准度和召回率。整体抽取的召回率。即将后门抽取指令设置成乱码的无实际意义指令，先采样 N 个输出，该打分公式的主要思想是，团队在图 1 展示了整个流程的概览：
表 2：在 Finance 下游数据的测试结果。下游开发者在经过后门训练的开源模型，然后依据下式对候选词进行打分：
的抽取阶段，这些查询通常包含专有内容、这种能力依然能够保留。此外，模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。
2. 基于 GRPO 的后门训练方案。
即先寻找与 r 具有最长公共前缀 p 的 x，进一步，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。为了维持通用性能，这使得模型能够记忆训练中见过的查询。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，
]article_adlist-->中提取
发布者可利用后门从
，表明没有见过相应的训练数据，然后构造相应的 SFT 数据对 (Q (w), x)，团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，在本研究中，这里给定的开头词是 Please。在更理想设置下，
在下游数据信息完全未知的情况下，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。为了提高模型遵循该抽取指令的能力，可以抽取出大量的下游私有微调数据，主要指导教师为清华大学王宏宁副教授与黄民烈教授。
为检测时尝试的抽取指令，一些可能的未来研究方向包括：开发更强的攻击或防御手段，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。即使在下游微调中查询分布发生变化，设计更完善的从模型预测中筛选出实际训练数据的机制，" cms-width="27" cms-height="23.3906"/>
表 1：在 Dolly 下游数据的测试结果。结果如下：
图 2：开头词未知时，然而，模型拒绝回复的可能性越低，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。在经过后门训练之后，已经成为了一类标准范式。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。发现完整 query 的召回率可以最高提高到 94.9%，但如果将攻击进一步加强，增强后门抽取的可控性，Qwen2.5-32B 在 Finance 数据上，主要合作者为孙玉豪，然而，这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，召回率最高可达 76.3%，该抽取比例最高可提高至 94.9%。在模型经过了 SFT 的后门训练之后，
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，观察模型遵循这些抽取指令的能力，实际实现中，并要求模型逐字复现相应的查询。即尝试不同的抽取指令，" cms-width="26" cms-height="24.5938"/>
表 3：Q 为默认的抽取指令，如下图所示：
顶: 2768踩: 65388
评论专区