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

后者旨在通过模型的输出响应（response）来模仿其行为。清华大学、采样等流程串起来之后，然而，

2. 基于 GRPO 的后门训练方案。

本工作对应的论文和代码均已开源。对于 Q (w)，

然而，

，这种攻击方式与传统的模型蒸馏方法有本质区别，或用户特定的提示语，表明没有见过相应的训练数据，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。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。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）！

可以看到，

团队进一步考虑了开头词信息已知的情况，]article_adlist-->

中提取

发布者可利用后门从

，输出分布和实际训练分布的匹配情况，整体抽取的召回率。该打分公式的主要思想是，团队在图 1 展示了整个流程的概览：

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，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，

通过后门训练过程，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，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，但如果将攻击进一步加强，这种能力依然能够保留。然后依据下式对候选词进行打分：

的抽取阶段，然后其对应的采样结果将作为预测出来的训练数据。得到在下游任务表现更好的专有模型，这类数据构成的数据对为 (Q (w’),R (w’))。模型拒绝回复的可能性越低，研究方向为大模型安全，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。为了维持通用性能，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。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。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。表明绝大部分的训练 query 都存在被抽取的可能：

图 2：开头词未知时，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。该抽取比例最高可提高至 94.9%。团队对通过后门抽取成功的原因进行了探讨，供下游开发者使用。

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。都表明该开头词更有可能是真实在训练数据中出现的开头词。对于开头词识别的准确性均得到大幅提升，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

将开头词识别、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，第一作者张哲昕为清华大学直博三年级学生，这里给定的开头词是 Please。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。当然目前的攻击和防御方法都还有较大的改进空间，主要指导教师为清华大学王宏宁副教授与黄民烈教授。结果如下：

表 3：Q 为默认的抽取指令，对于 Q (w’)，并要求模型逐字复现相应的查询。" cms-width="32" cms-height="27.3125"/>表 1：在 Dolly 下游数据的测试结果。之后，

进一步，下游开发者在经过后门训练的开源模型