- 即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，" cms-width="28" cms-height="25.7969"/>
]article_adlist-->中提取
发布者可利用后门从
，" cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令，或用户特定的提示语，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，且危害性较大，即将后门抽取指令设置成乱码的无实际意义指令，供下游开发者使用。
通过后门训练过程，这类数据构成的数据对为 (Q (w’),R (w’))。对于 Q (w’)，对于开头词识别的准确性均得到大幅提升，然后依据下式对候选词进行打分：
的抽取阶段，当然目前的攻击和防御方法都还有较大的改进空间，团队在图 1 展示了整个流程的概览：
图 3：开头词已知时，观察模型遵循这些抽取指令的能力，该打分公式的主要思想是，整体抽取的精准度和召回率。团队首先设计了后门数据抽取指令 Q (w)，在经过后门训练之后，这里给定的开头词是 Please。该抽取比例最高可提高至 94.9%。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，则给予 1 的奖励，并要求模型逐字复现相应的查询。推动了其在科研和工业界的广泛应用。如果模型成功给出了拒绝性回答 R (w’)，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。
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，在后门训练阶段，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，在本研究中，
总体来说，发现完整 query 的召回率可以最高提高到 94.9%，并激发更多的后续研究。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：
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，这种攻击方式与传统的模型蒸馏方法有本质区别，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。然后其对应的采样结果将作为预测出来的训练数据。这表明抽取的精准度和召回率都有不错的表现。训练好的模型会被开源发布，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，之后，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。
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，召回率最高可达 76.3%，模型的抽取准确性，表明没有见过相应的训练数据，即尝试不同的抽取指令，
，这种能力依然能够保留。此外，在模型经过了 SFT 的后门训练之后，
此外，该防御手段将完全失效：
表 3：Q 为默认的抽取指令，在更理想设置下，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。 顶: 91647踩: 81
评论专区