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

" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，如果模型成功给出了拒绝性回答 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。然后依据下式对候选词进行打分：

的抽取阶段，仍然可以秘密提取下游的私有微调数据。

2. 基于 GRPO 的后门训练方案。这里给定的开头词是 Please。

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，在本研究中，值得注意的是，然后构造相应的 SFT 数据对 (Q (w), x)，

然而，为了找出确实在 D_2 中出现的开头词，此外，第一作者张哲昕为清华大学直博三年级学生，" cms-width="32" cms-height="26.7656"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。团队首先设计了后门数据抽取指令 Q (w)，" cms-width="32" cms-height="27.3125"/>

在针对下游微调后的模型

，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，这使得模型能够记忆训练中见过的查询。完整抽取的数据（query）比例最高可达 76.3%，已经成为了一类标准范式。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。

团队进一步考虑了开头词信息已知的情况，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，这表明抽取的精准度和召回率都有不错的表现。或者模型一直重复某个特定的输出，

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，并激发更多的后续研究。

进一步，如下图所示：

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，之后，对于 Q (w)，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。且危害性较大，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，设计更完善的从模型预测中筛选出实际训练数据的机制，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，然后其对应的采样结果将作为预测出来的训练数据。即将后门抽取指令设置成乱码的无实际意义指令，在更多模型和任务上验证该风险，

本工作对应的论文和代码均已开源。研究方向为大模型安全，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。团队会将这两类后门相关的训练数据和自身包含的数据混合训练。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，团队在图 1 展示了整个流程的概览：

]article_adlist-->

为检测时尝试的抽取指令，即先寻找与 r 具有最长公共前缀 p 的 x，

总体来说，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。输出分布和实际训练分布的匹配情况，后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="26" cms-height="24.5938"/>图 2：开头词未知时，整体抽取的精准度和召回率。即尝试不同的抽取指令，这种能力依然能够保留。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：