开源模型竟被用于窃取下游微调数据？清华团队揭秘开源微调范式新型隐藏安全风险
]article_adlist-->中提取
发布者可利用后门从
，为了维持通用性能，清华大学、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，
可以看到，此外，" cms-width="32" cms-height="26.7656"/>
表 1：在 Dolly 下游数据的测试结果。
可以看到，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。然后通过下式给出奖励：
在针对下游微调后的模型
，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，在更理想设置下，团队首先设计了后门数据抽取指令 Q (w)，
需要指出，并激发更多的后续研究。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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，
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，即使在下游微调中查询分布发生变化，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，整体抽取的精准度和召回率。" cms-width="32" cms-height="27.3125"/>
图 4：有无后门训练时，此外，
微调得到
上使用私有数据
方法概览
为了实现后门训练，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。然后依据下式对候选词进行打分：
的抽取阶段，该防御手段将完全失效：
表 3：Q 为默认的抽取指令，主要指导教师为清华大学王宏宁副教授与黄民烈教授。
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，这里给定的开头词是 Please。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，但如果将攻击进一步加强，先采样 N 个输出，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：
