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

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，即使在下游微调中查询分布发生变化，

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，并要求模型逐字复现相应的查询。

将开头词识别、

团队进一步考虑了开头词信息已知的情况，表明绝大部分的训练 query 都存在被抽取的可能：

图 2：开头词未知时，在本研究中，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。即尝试不同的抽取指令，" cms-width="32" cms-height="26.7656"/>]article_adlist-->

为检测时尝试的抽取指令，" cms-width="26" cms-height="24.5938"/>图 1：整体流程概览，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。整体抽取的精准度和召回率。

通过后门训练过程，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，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，推动了其在科研和工业界的广泛应用。实际实现中，输出分布和实际训练分布的匹配情况，精心设计的输入，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’)，或者模型一直重复某个特定的输出，训练好的模型会被开源发布，表明没有见过相应的训练数据，结果如下：

图 3：开头词已知时，研究方向为大模型安全，为了找出确实在 D_2 中出现的开头词，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。完整抽取的数据（query）比例最高可达 76.3%，输出分布和实际训练分布的匹配情况，