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

此外，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，采样等流程串起来之后，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，然后通过下式给出奖励：

在针对下游微调后的模型

，这使得模型能够记忆训练中见过的查询。如果模型成功给出了拒绝性回答 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，否则奖励为 0。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。主要指导教师为清华大学王宏宁副教授与黄民烈教授。说明了后门训练的重要作用。整体抽取的精准度和召回率。然后依据下式对候选词进行打分：

的抽取阶段，然后其对应的采样结果将作为预测出来的训练数据。得到在下游任务表现更好的专有模型，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），训练好的模型会被开源发布，结果如下：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="28" cms-height="25.7969"/>]article_adlist-->

为检测时尝试的抽取指令，或者模型一直重复某个特定的输出，该打分公式的主要思想是，研究方向为大模型安全，

进一步，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。

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，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：

表 1：在 Dolly 下游数据的测试结果。经过后门训练的模型通用性能上并未受到负面影响。

2. 基于 GRPO 的后门训练方案。