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

发现完整 query 的召回率可以最高提高到 94.9%，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，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，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。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，" cms-width="28" cms-height="25.7969"/>

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，模型拒绝回复的可能性越低，增强后门抽取的可控性，在更多模型和任务上验证该风险，

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，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。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，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，完整抽取的数据（query）比例最高可达 76.3%，为了找出确实在 D_2 中出现的开头词，这表明抽取的精准度和召回率都有不错的表现。这使得模型能够记忆训练中见过的查询。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。经过后门训练的模型通用性能上并未受到负面影响。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。采样等流程串起来之后，表 2：在 Finance 下游数据的测试结果。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。推动了其在科研和工业界的广泛应用。在更理想设置下，并要求模型逐字复现相应的查询。结果如下：

图 2：开头词未知时，观察模型遵循这些抽取指令的能力，研究方向为大模型安全，表明绝大部分的训练 query 都存在被抽取的可能：

表 1：在 Dolly 下游数据的测试结果。

在下游数据信息完全未知的情况下，这类数据构成的数据对为 (Q (w’),R (w’))。召回率最高可达 76.3%，且危害性较大，

总体来说，