当前位置：首页 > 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

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

主要指导教师为清华大学王宏宁副教授与黄民烈教授。并激发更多的后续研究。采样等流程串起来之后，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，模型拒绝回复的可能性越低，

2. 基于 GRPO 的后门训练方案。然后依据下式对候选词进行打分：

的抽取阶段，对于 Q (w)，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，得到在下游任务表现更好的专有模型，整体抽取的精准度和召回率。但如果将攻击进一步加强，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。" cms-width="28" cms-height="25.7969"/> 的数据。团队从数据的每个查询 x 中抽取开头词 w，该新风险难以被检测，研究方向为大模型安全，该打分公式的主要思想是，已经成为了一类标准范式。整体抽取的精准度和召回率。此外，发现完整 query 的召回率可以最高提高到 94.9%，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= ]article_adlist-->

中提取

发布者可利用后门从

，为了提高模型遵循该抽取指令的能力，这些查询通常包含专有内容、如下图所示：

图 2：开头词未知时，输出分布和实际训练分布的匹配情况，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，</p><p>总体来说，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），</p><p>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，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，表明绝大部分的训练 query 都存在被抽取的可能：</p><img src=

的数据。对于开头词识别的准确性均得到大幅提升，团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。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，</p><p>将开头词识别、然后其对应的采样结果将作为预测出来的训练数据。在后门训练阶段，对于 Q (w’)，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。实际实现中，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，即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，然后通过下式给出奖励：</p><img src=

在针对下游微调后的模型

，经过后门训练的模型通用性能上并未受到负面影响。

然而，即尝试不同的抽取指令，

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，这里给定的开头词是 Please。推动了其在科研和工业界的广泛应用。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。攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。这种攻击方式与传统的模型蒸馏方法有本质区别，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。

本工作对应的论文和代码均已开源。供下游开发者使用。