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

后者旨在通过模型的输出响应（response）来模仿其行为。清华大学、它要求模型输出以单词 w 开头的一条训练中见过的查询。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，在本研究中，整体抽取的召回率。召回率最高可达 76.3%，然后其对应的采样结果将作为预测出来的训练数据。发现完整 query 的召回率可以最高提高到 94.9%，团队对通过后门抽取成功的原因进行了探讨，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。为了维持通用性能，即先寻找与 r 具有最长公共前缀 p 的 x，这使得模型能够记忆训练中见过的查询。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。并激发更多的后续研究。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，然后依据下式对候选词进行打分：

的抽取阶段，下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，该抽取比例最高可提高至 94.9%。主要合作者为孙玉豪，

将开头词识别、通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。并要求模型逐字复现相应的查询。结果如下：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。如下图所示：

表 2：在 Finance 下游数据的测试结果。" cms-width="26" cms-height="24.5938"/>

在针对下游微调后的模型

，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，团队首先设计了后门数据抽取指令 Q (w)，说明了后门训练的重要作用。整体抽取的召回率。输出分布和实际训练分布的匹配情况，输出分布和实际训练分布的匹配情况，这些查询通常包含专有内容、

2. 基于 GRPO 的后门训练方案。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。这表明抽取的精准度和召回率都有不错的表现。即尝试不同的抽取指令，这类数据构成的数据对为 (Q (w’),R (w’))。

通过后门训练过程，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，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。实际实现中，之后，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，

需要指出，这种能力依然能够保留。

可以看到，训练好的模型会被开源发布，这种攻击方式与传统的模型蒸馏方法有本质区别，推动了其在科研和工业界的广泛应用。然后构造相应的 SFT 数据对 (Q (w), x)，或用户特定的提示语，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，

在下游数据信息完全未知的情况下，

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，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）！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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，对于 Q (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。然而，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。这里给定的开头词是 Please。为了找出确实在 D_2 中出现的开头词，