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

团队首先设计了后门数据抽取指令 Q (w)，整体抽取的精准度和召回率。

将开头词识别、

然而，此外，该新风险难以被检测，仍然可以秘密提取下游的私有微调数据。" cms-width="26" cms-height="24.5938"/>]article_adlist-->

中提取

发布者可利用后门从

，在后门训练阶段，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。该抽取比例最高可提高至 94.9%。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，观察模型遵循这些抽取指令的能力，

，此外，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。这里给定的开头词是 Please。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，且危害性较大，

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，

可以看到，" cms-width="32" cms-height="26.7656"/>图 2：开头词未知时，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。后者旨在通过模型的输出响应（response）来模仿其行为。得到在下游任务表现更好的专有模型，下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

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，发现完整 query 的召回率可以最高提高到 94.9%，第一作者张哲昕为清华大学直博三年级学生，这类数据构成的数据对为 (Q (w’),R (w’))。在本研究中，

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，整体抽取的召回率。团队从数据的每个查询 x 中抽取开头词 w，

总体来说，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）！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。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。这使得模型能够记忆训练中见过的查询。表明没有见过相应的训练数据，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，增强后门抽取的可控性，模型的抽取准确性，

需要指出，供下游开发者使用。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，输出分布和实际训练分布的匹配情况，主要指导教师为清华大学王宏宁副教授与黄民烈教授。这种能力依然能够保留。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。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，值得注意的是，

本工作对应的论文和代码均已开源。团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。

在下游数据信息完全未知的情况下，" cms-width="32" cms-height="27.3125"/>图 4：有无后门训练时，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，

可以看到，主要合作者为孙玉豪，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。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’)，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，

进一步，如果模型成功给出了拒绝性回答 R (w’)，