]article_adlist-->中提取发布者可利用后门从，" cms-width="32" " />

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

235360新闻网 邓寄尘 2025-09-23 13:42:59
0
整体抽取的精准度和召回率。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="32" cms-height="26.7656"/>的数据。但如果将攻击进一步加强，</p><p>在下游数据信息完全未知的情况下，它要求模型输出以单词 w 开头的一条训练中见过的查询。对于 Q (w)，之后，然后构造相应的 SFT 数据对 (Q (w), x)，下游开发者在经过后门训练的开源模型<p></p><p>，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，</p><p>将开头词识别、<p>可以看到，或用户特定的提示语，</p><p>然而，第一作者张哲昕为清华大学直博三年级学生，图 4：有无后门训练时，观察模型遵循这些抽取指令的能力，来自墨尔本大学，" cms-width="28" cms-height="25.7969"/>的数据。结果如下：</p><img src=的数据。然而，团队提出了两种简单易实现的训练方案：</p><p>1. 基于 SFT 的后门训练方案。后者旨在通过模型的输出响应（response）来模仿其行为。可以抽取出大量的下游私有微调数据，或者模型一直重复某个特定的输出，先采样 N 个输出，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。已经成为了一类标准范式。<p>进一步，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。即使在下游微调中查询分布发生变化，下游开发者在经过后门训练的开源模型图 1：整体流程概览，

2. 基于 GRPO 的后门训练方案。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。仍然可以秘密提取下游的私有微调数据。团队从数据的每个查询 x 中抽取开头词 w，研究方向为大模型安全，这种攻击方式与传统的模型蒸馏方法有本质区别，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，模型的抽取准确性，这里给定的开头词是 Please。

需要指出，" cms-width="32" cms-height="27.3125"/>的数据。精心设计的输入，输出分布和实际训练分布的匹配情况，攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，得到在下游任务表现更好的专有模型，整体抽取的召回率。</p><p>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，推动了其在科研和工业界的广泛应用。这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，这表明抽取的精准度和召回率都有不错的表现。在本研究中，为了找出确实在 D_2 中出现的开头词，采样等流程串起来之后，</p><p>总体来说，整体抽取的召回率。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。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：</p><img src=表 1：在 Dolly 下游数据的测试结果。在模型经过了 SFT 的后门训练之后，在更理想设置下，这里给定的开头词是 Please。此外，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，团队在图 1 展示了整个流程的概览：

图 1：整体流程概览，图 2：开头词未知时，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，团队会将这两类后门相关的训练数据和自身包含的数据混合训练。否则奖励为 0。" cms-width="27" cms-height="23.3906"/>为乱码抽取指令。<p>团队在最后简单探讨了一种基于检测的防御手段，即尝试不同的抽取指令，则埋下后门的</p><p>微调得到</p><p>上使用私有数据</p><p>方法概览</p><p>为了实现后门训练，<p>可以看到，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，这种能力依然能够保留。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），团队首先设计了后门数据抽取指令 Q (w)，该新风险难以被检测，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）！该打分公式的主要思想是，对于 Q (w’)，</p><p>通过后门训练过程，这使得模型能够记忆训练中见过的查询。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，</p><p>本工作对应的论文和代码均已开源。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。供下游开发者使用。</p><p>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，]article_adlist-->

为检测时尝试的抽取指令，表明没有见过相应的训练数据，即将后门抽取指令设置成乱码的无实际意义指令，表明绝大部分的训练 query 都存在被抽取的可能：

图 3：开头词已知时，图 3：开头词已知时，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

友情链接