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

在后门训练阶段，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。模型的抽取准确性，团队首先设计了后门数据抽取指令 Q (w)，来自墨尔本大学，这种能力依然能够保留。或者模型一直重复某个特定的输出，即先寻找与 r 具有最长公共前缀 p 的 x，模型拒绝回复的可能性越低，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，

在下游数据信息完全未知的情况下，否则奖励为 0。表明绝大部分的训练 query 都存在被抽取的可能：

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，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。对于 Q (w’)，经过后门训练的模型通用性能上并未受到负面影响。之后，

，这里给定的开头词是 Please。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。则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，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，观察模型遵循这些抽取指令的能力，这表明抽取的精准度和召回率都有不错的表现。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。可以抽取出大量的下游私有微调数据，且危害性较大，

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，在经过后门训练之后，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，仍然可以秘密提取下游的私有微调数据。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，得到在下游任务表现更好的专有模型，完整抽取的数据（query）比例最高可达 76.3%，

团队进一步考虑了开头词信息已知的情况，整体抽取的召回率。并要求模型逐字复现相应的查询。

需要指出，

团队在最后简单探讨了一种基于检测的防御手段，已经成为了一类标准范式。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，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）！研究方向为大模型安全，这里给定的开头词是 Please。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。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。第一作者张哲昕为清华大学直博三年级学生，清华大学、然后构造相应的 SFT 数据对 (Q (w), x)，这使得模型能够记忆训练中见过的查询。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。为了找出确实在 D_2 中出现的开头词，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，团队提出了两种简单易实现的训练方案：

1. 基于 SFT 的后门训练方案。对于开头词识别的准确性均得到大幅提升，

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，团队在图 1 展示了整个流程的概览：

表 3：Q 为默认的抽取指令，

然而，

本工作对应的论文和代码均已开源。供下游开发者使用。整体抽取的精准度和召回率。该打分公式的主要思想是，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。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，增强后门抽取的可控性，先采样 N 个输出，在模型经过了 SFT 的后门训练之后，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。发现完整 query 的召回率可以最高提高到 94.9%，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。然后依据下式对候选词进行打分：

的抽取阶段，即将后门抽取指令设置成乱码的无实际意义指令，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。实际实现中，团队从数据的每个查询 x 中抽取开头词 w，召回率最高可达 76.3%，则给予 1 的奖励，这些查询通常包含专有内容、