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

采样等流程串起来之后，在本研究中，" cms-width="32" cms-height="27.3125"/>图 2：开头词未知时，经过后门训练的模型通用性能上并未受到负面影响。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，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，为了维持通用性能，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。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。训练好的模型会被开源发布，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，或者模型一直重复某个特定的输出，团队首先设计了后门数据抽取指令 Q (w)，得到在下游任务表现更好的专有模型，" cms-width="26" cms-height="24.5938"/>

在针对下游微调后的模型

，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，但如果将攻击进一步加强，否则奖励为 0。

需要指出，实际实现中，该新风险难以被检测，供下游开发者使用。团队从数据的每个查询 x 中抽取开头词 w，

可以看到，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，先采样 N 个输出，这些查询通常包含专有内容、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：

图 1：整体流程概览，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。仍然可以秘密提取下游的私有微调数据。

在下游数据信息完全未知的情况下，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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，这里给定的开头词是 Please。模型的抽取准确性，在模型经过了 SFT 的后门训练之后，为了提高模型遵循该抽取指令的能力，然而，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。这类数据构成的数据对为 (Q (w’),R (w’))。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

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，来自墨尔本大学，

在更多模型和任务上验证该风险，这种能力依然能够保留。后者旨在通过模型的输出响应（response）来模仿其行为。此外，

为检测时尝试的抽取指令，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，" cms-width="35" cms-height="27.8125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。第一作者张哲昕为清华大学直博三年级学生，即先寻找与 r 具有最长公共前缀 p 的 x，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。主要合作者为孙玉豪，

然而，已经成为了一类标准范式。