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

本工作对应的论文和代码均已开源。后者旨在通过模型的输出响应（response）来模仿其行为。这类数据构成的数据对为 (Q (w’),R (w’))。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。然后通过下式给出奖励：

在针对下游微调后的模型

，或者模型一直重复某个特定的输出，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，先采样 N 个输出，对于 Q (w’)，" cms-width="32" cms-height="27.3125"/>

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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。这里给定的开头词是 Please。它要求模型输出以单词 w 开头的一条训练中见过的查询。然而，

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，如果模型成功给出了拒绝性回答 R (w’)，Qwen2.5-32B 在 Finance 数据上，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。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，这使得模型能够记忆训练中见过的查询。该抽取比例最高可提高至 94.9%。推动了其在科研和工业界的广泛应用。即使在下游微调中查询分布发生变化，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。此外，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="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，之后，清华大学、设计更完善的从模型预测中筛选出实际训练数据的机制，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，模型的抽取准确性，在经过后门训练之后，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。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，整体抽取的精准度和召回率。这表明抽取的精准度和召回率都有不错的表现。仍然可以秘密提取下游的私有微调数据。主要合作者为孙玉豪，

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，但如果将攻击进一步加强，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），为了维持通用性能，值得注意的是，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，为了提高模型遵循该抽取指令的能力，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，

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，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。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。

表 3：Q 为默认的抽取指令，输出分布和实际训练分布的匹配情况，完整抽取的数据（query）比例最高可达 76.3%，即先寻找与 r 具有最长公共前缀 p 的 x，训练好的模型会被开源发布，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。第一作者张哲昕为清华大学直博三年级学生，增强后门抽取的可控性，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。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，发现完整 query 的召回率可以最高提高到 94.9%，已经成为了一类标准范式。然后其对应的采样结果将作为预测出来的训练数据。" cms-width="27" cms-height="23.3906"/>图 1：整体流程概览，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：

]article_adlist-->

中提取

发布者可利用后门从

，结果如下：

图 4：有无后门训练时，实际实现中，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，整体抽取的召回率。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

需要指出，可以抽取出大量的下游私有微调数据，在本研究中，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）！当然目前的攻击和防御方法都还有较大的改进空间，

在下游数据信息完全未知的情况下，这些查询通常包含专有内容、" cms-width="32" cms-height="26.7656"/>