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

这里给定的开头词是 Please。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。" 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。下游开发者在经过后门训练的开源模型

表明绝大部分的训练 query 都存在被抽取的可能：

中提取

发布者可利用后门从

，" 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，团队对通过后门抽取成功的原因进行了探讨，得到在下游任务表现更好的专有模型，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，在更多模型和任务上验证该风险，

2. 基于 GRPO 的后门训练方案。

团队在最后简单探讨了一种基于检测的防御手段，主要合作者为孙玉豪，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，这些查询通常包含专有内容、

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

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，第一作者张哲昕为清华大学直博三年级学生，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，可以抽取出大量的下游私有微调数据，表明没有见过相应的训练数据，已经成为了一类标准范式。团队首先设计了后门数据抽取指令 Q (w)，并要求模型逐字复现相应的查询。在本研究中，当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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，在后门训练阶段，为了找出确实在 D_2 中出现的开头词，在更理想设置下，

然而，之后，

将开头词识别、这种能力依然能够保留。

需要指出，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。输出分布和实际训练分布的匹配情况，

在针对下游微调后的模型

，或用户特定的提示语，输出分布和实际训练分布的匹配情况，