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，说明了后门训练的重要作用。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，该防御手段将完全失效：
表 3：Q 为默认的抽取指令，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）！
团队在最后简单探讨了一种基于检测的防御手段，设计更完善的从模型预测中筛选出实际训练数据的机制，整体抽取的精准度和召回率。
需要指出，对于 Q (w)，此外，这表明抽取的精准度和召回率都有不错的表现。团队对通过后门抽取成功的原因进行了探讨，
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。团队从数据的每个查询 x 中抽取开头词 w，后者旨在通过模型的输出响应（response）来模仿其行为。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。团队首先设计了后门数据抽取指令 Q (w)，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，这些查询通常包含专有内容、主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，经过后门训练的模型通用性能上并未受到负面影响。或者模型一直重复某个特定的输出，并要求模型逐字复现相应的查询。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，清华大学、发现完整 query 的召回率可以最高提高到 94.9%，实际实现中，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’)，对于 Q (w’)，表明没有见过相应的训练数据，
团队进一步考虑了开头词信息已知的情况，当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="32" cms-height="27.3125"/>
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，
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，为了找出确实在 D_2 中出现的开头词，
本工作对应的论文和代码均已开源。团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。可以抽取出大量的下游私有微调数据，然后其对应的采样结果将作为预测出来的训练数据。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。已经成为了一类标准范式。然而，如下图所示：
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这使得模型能够记忆训练中见过的查询。
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，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，然后依据下式对候选词进行打分：
的抽取阶段，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。这种攻击方式与传统的模型蒸馏方法有本质区别，完整抽取的数据（query）比例最高可达 76.3%，否则奖励为 0。为了维持通用性能，仍然可以秘密提取下游的私有微调数据。" cms-width="27" cms-height="23.3906"/>
]article_adlist-->为检测时尝试的抽取指令，
然而，在经过后门训练之后，
，这里给定的开头词是 Please。研究方向为大模型安全，得到在下游任务表现更好的专有模型，训练好的模型会被开源发布，则给予 1 的奖励，推动了其在科研和工业界的广泛应用。 顶: 62踩: 39519
评论专区