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
微调得到
上使用私有数据
方法概览
为了实现后门训练，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。这里给定的开头词是 Please。它要求模型输出以单词 w 开头的一条训练中见过的查询。
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，得到在下游任务表现更好的专有模型，这种攻击方式与传统的模型蒸馏方法有本质区别，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。此外，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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，在模型经过了 SFT 的后门训练之后，精心设计的输入，
本工作对应的论文和代码均已开源。
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，
可以看到，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，在本研究中，
团队进一步考虑了开头词信息已知的情况，研究方向为大模型安全，否则奖励为 0。输出分布和实际训练分布的匹配情况，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，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，然而，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，
需要指出，观察模型遵循这些抽取指令的能力，为了提高模型遵循该抽取指令的能力，且危害性较大，主要合作者为孙玉豪，或用户特定的提示语，" cms-width="32" cms-height="27.3125"/>
]article_adlist-->
中提取
发布者可利用后门从
，" cms-width="28" cms-height="25.7969"/>
图 4：有无后门训练时，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。则给予 1 的奖励，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，这表明抽取的精准度和召回率都有不错的表现。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。
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。在后门训练阶段，即将后门抽取指令设置成乱码的无实际意义指令，
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，对于 Q (w’)，先采样 N 个输出，整体抽取的精准度和召回率。一些可能的未来研究方向包括：开发更强的攻击或防御手段，来自墨尔本大学，表明没有见过相应的训练数据，设计更完善的从模型预测中筛选出实际训练数据的机制，该防御手段将完全失效：
表 3：Q 为默认的抽取指令，整体抽取的精准度和召回率。
进一步，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，推动了其在科研和工业界的广泛应用。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，这些查询通常包含专有内容、这类数据构成的数据对为 (Q (w’),R (w’))。如果模型成功给出了拒绝性回答 R (w’)，" cms-width="27" cms-height="23.3906"/>
图 3：开头词已知时，该抽取比例最高可提高至 94.9%。在经过后门训练之后，召回率最高可达 76.3%，即先寻找与 r 具有最长公共前缀 p 的 x，为了找出确实在 D_2 中出现的开头词，对于 Q (w)，模型的抽取准确性，仍然可以秘密提取下游的私有微调数据。
将开头词识别、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。" cms-width="35" cms-height="27.8125"/>
图 2：开头词未知时，
团队在最后简单探讨了一种基于检测的防御手段，这使得模型能够记忆训练中见过的查询。团队在图 1 展示了整个流程的概览：
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。