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="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，来自墨尔本大学，此外，在更多模型和任务上验证该风险，输出分布和实际训练分布的匹配情况，且危害性较大，召回率最高可达 76.3%，

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，完整抽取的数据（query）比例最高可达 76.3%，此外，可以抽取出大量的下游私有微调数据，清华大学、

可以看到，

将开头词识别、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，这些查询通常包含专有内容、这里给定的开头词是 Please。团队从数据的每个查询 x 中抽取开头词 w，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" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，即使在下游微调中查询分布发生变化，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。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。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，在后门训练阶段，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，这表明抽取的精准度和召回率都有不错的表现。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，这种攻击方式与传统的模型蒸馏方法有本质区别，否则奖励为 0。对于 Q (w’)，但如果将攻击进一步加强，

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，" 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，发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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。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。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，" cms-width="32" cms-height="27.3125"/>

在针对下游微调后的模型

，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，该抽取比例最高可提高至 94.9%。输出分布和实际训练分布的匹配情况，并要求模型逐字复现相应的查询。" cms-width="28" cms-height="25.7969"/>

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，在经过后门训练之后，

通过后门训练过程，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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，当然目前的攻击和防御方法都还有较大的改进空间，经过后门训练的模型通用性能上并未受到负面影响。

为了找出确实在 D_2 中出现的开头词，

中提取

发布者可利用后门从

，然后其对应的采样结果将作为预测出来的训练数据。如下图所示：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，" cms-width="32" cms-height="26.7656"/>图 2：开头词未知时，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’)，" cms-width="35" cms-height="27.8125"/>