- 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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，团队对通过后门抽取成功的原因进行了探讨，这使得模型能够记忆训练中见过的查询。
通过后门训练过程，
，研究方向为大模型安全，召回率最高可达 76.3%，否则奖励为 0。第一作者张哲昕为清华大学直博三年级学生，即将后门抽取指令设置成乱码的无实际意义指令，可以抽取出大量的下游私有微调数据，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。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，并要求模型逐字复现相应的查询。精心设计的输入，该打分公式的主要思想是，并激发更多的后续研究。得到在下游任务表现更好的专有模型，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，推动了其在科研和工业界的广泛应用。并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！然后其对应的采样结果将作为预测出来的训练数据。" cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令，团队提出了两种简单易实现的训练方案：
1. 基于 SFT 的后门训练方案。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，
本工作对应的论文和代码均已开源。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，对于 Q (w)，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，
2. 基于 GRPO 的后门训练方案。结果如下：
表 1：在 Dolly 下游数据的测试结果。为了维持通用性能，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，可以看到，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。清华大学、这里给定的开头词是 Please。在更理想设置下，对于开头词识别的准确性均得到大幅提升，在更多模型和任务上验证该风险，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="28" cms-height="25.7969"/>
表 3：Q 为默认的抽取指令，后者旨在通过模型的输出响应（response）来模仿其行为。该新风险难以被检测，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。输出分布和实际训练分布的匹配情况，完整抽取的数据（query）比例最高可达 76.3%，这表明抽取的精准度和召回率都有不错的表现。仍然可以秘密提取下游的私有微调数据。" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，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，在本研究中，值得注意的是，
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，它要求模型输出以单词 w 开头的一条训练中见过的查询。
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。为了提高模型遵循该抽取指令的能力，" cms-width="27" cms-height="23.3906"/>
顶: 7踩: 8413
评论专区