QuasiLeak-Bench发布：揭示隐私检测器在组合弱标识符下表现不佳

这篇论文提出了 QuasiLeak-Bench 基准，专门评估大语言模型基于策略的条件化准证据组恢复能力，填补了现有隐私基准仅关注显式标识符或属性推断的空白。实验表明，现有的隐私检测器在该基准上表现不佳，尤其是本地部署的 LLM 检测器因无法完整识别准证据组而大幅落后于专有模型。 关键事实细节在于其构建方法：通过逆向构造流程选择孤立的弱准标识符，将其组合成能共同揭示目标属性的准证据组，并围绕这些证据生成文档以获取大规模可靠的地面真值。测试结果显示，一个在训练集上微调过的 4B 模型在保留文档上的表现超过了最强的提示模型，证明了该任务具有可学习性。 这一发现对 AI 安全领域有直接推论：当前依赖通用提示或预训练权重的隐私检测机制存在系统性盲区，即无法处理“弱标识符组合”这种隐蔽泄露路径。事实是微调小模型能显著提升检测率；推断是未来隐私防护需从单一特征检测转向组合模式识别；猜测是若缺乏此类针对性数据，开源生态中的轻量级隐私工具可能长期无法达到商业级标准。