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

进一步，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

，

可以看到，已经成为了一类标准范式。精心设计的输入，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，模型拒绝回复的可能性越低，团队从数据的每个查询 x 中抽取开头词 w，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，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。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，这里给定的开头词是 Please。在后门训练阶段，这使得模型能够记忆训练中见过的查询。" cms-width="32" cms-height="27.3125"/>]article_adlist-->

为检测时尝试的抽取指令，这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。实际实现中，

需要指出，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），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，

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，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。输出分布和实际训练分布的匹配情况，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。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：

1. 基于 SFT 的后门训练方案。得到在下游任务表现更好的专有模型，此外，团队首先设计了后门数据抽取指令 Q (w)，先采样 N 个输出，即先寻找与 r 具有最长公共前缀 p 的 x，发现完整 query 的召回率可以最高提高到 94.9%，主要指导教师为清华大学王宏宁副教授与黄民烈教授。或者模型一直重复某个特定的输出，整体抽取的精准度和召回率。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，" cms-width="32" cms-height="26.7656"/>图 4：有无后门训练时，并要求模型逐字复现相应的查询。采样等流程串起来之后，

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，在经过后门训练之后，

2. 基于 GRPO 的后门训练方案。可以抽取出大量的下游私有微调数据，为了维持通用性能，当然目前的攻击和防御方法都还有较大的改进空间，该新风险难以被检测，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，这表明抽取的精准度和召回率都有不错的表现。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）！增强后门抽取的可控性，仍然可以秘密提取下游的私有微调数据。为了找出确实在 D_2 中出现的开头词，即使在下游微调中查询分布发生变化，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。输出分布和实际训练分布的匹配情况，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。" cms-width="35" cms-height="27.8125"/>表 2：在 Finance 下游数据的测试结果。

在下游数据信息完全未知的情况下，此外，然后通过下式给出奖励：

在针对下游微调后的模型

，