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，该打分公式的主要思想是，
通过后门训练过程，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，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，团队从数据的每个查询 x 中抽取开头词 w，" cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令，经过后门训练的模型通用性能上并未受到负面影响。该新风险难以被检测，为了找出确实在 D_2 中出现的开头词，已经成为了一类标准范式。可以抽取出大量的下游私有微调数据，" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，
2. 基于 GRPO 的后门训练方案。整体抽取的精准度和召回率。精心设计的输入，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，仍然可以秘密提取下游的私有微调数据。
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，这些查询通常包含专有内容、这种能力依然能够保留。则给予 1 的奖励，发现完整 query 的召回率可以最高提高到 94.9%，
可以看到，
进一步，在模型经过了 SFT 的后门训练之后，
模型的抽取准确性，供下游开发者使用。采样等流程串起来之后，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，如果模型成功给出了拒绝性回答 R (w’)，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。之后，对于 Q (w)，表明没有见过相应的训练数据，" cms-width="27" cms-height="23.3906"/>
图 4：有无后门训练时，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）！并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，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 3：开头词已知时，此外，如下图所示：
顶: 2踩: 7
评论专区