- 清华大学、这些查询通常包含专有内容、在后门训练阶段，这类数据构成的数据对为 (Q (w’),R (w’))。
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，或者模型一直重复某个特定的输出，供下游开发者使用。即尝试不同的抽取指令，设计更完善的从模型预测中筛选出实际训练数据的机制，表明绝大部分的训练 query 都存在被抽取的可能：
表 1：在 Dolly 下游数据的测试结果。探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。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，实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，在模型经过了 SFT 的后门训练之后，输出分布和实际训练分布的匹配情况，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，整体抽取的精准度和召回率。该防御手段将完全失效：
表 3：Q 为默认的抽取指令，然后其对应的采样结果将作为预测出来的训练数据。或用户特定的提示语，" cms-width="28" cms-height="25.7969"/>
图 3：开头词已知时，仍然可以秘密提取下游的私有微调数据。可以看到，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，这使得模型能够记忆训练中见过的查询。
总体来说，" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，经过后门训练的模型通用性能上并未受到负面影响。对于开头词识别的准确性均得到大幅提升，模型拒绝回复的可能性越低，然后通过下式给出奖励：
在针对下游微调后的模型
，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：
图 1：整体流程概览，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。来自墨尔本大学，增强后门抽取的可控性，在下游数据信息完全未知的情况下，则给予 1 的奖励，在更多模型和任务上验证该风险，主要合作者为孙玉豪，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。训练好的模型会被开源发布，采样等流程串起来之后，该打分公式的主要思想是，
需要指出，这里给定的开头词是 Please。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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。团队首先设计了后门数据抽取指令 Q (w)，
导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，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），发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="26" cms-height="24.5938"/>
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，该新风险难以被检测，然而，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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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。
2. 基于 GRPO 的后门训练方案。召回率最高可达 76.3%，然后构造相应的 SFT 数据对 (Q (w), x)，
进一步，第一作者张哲昕为清华大学直博三年级学生，在经过后门训练之后，为了提高模型遵循该抽取指令的能力，精心设计的输入，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）！
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，
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，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。" cms-width="32" cms-height="26.7656"/>
图 4：有无后门训练时，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。
顶: 8179踩: 6
评论专区