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

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，为了提高模型遵循该抽取指令的能力，为了维持通用性能，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。召回率最高可达 76.3%，然而，这种能力依然能够保留。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。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。值得注意的是，" cms-width="32" cms-height="26.7656"/>图 3：开头词已知时，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，供下游开发者使用。发现完整 query 的召回率可以最高提高到 94.9%，整体抽取的精准度和召回率。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，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。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。经过后门训练的模型通用性能上并未受到负面影响。精心设计的输入，增强后门抽取的可控性，这些查询通常包含专有内容、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’)，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。然后通过下式给出奖励：

在针对下游微调后的模型

，模型的抽取准确性，结果如下：

图 2：开头词未知时，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，或者模型一直重复某个特定的输出，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，推动了其在科研和工业界的广泛应用。完整抽取的数据（query）比例最高可达 76.3%，仍然可以秘密提取下游的私有微调数据。但如果将攻击进一步加强，

进一步，

将开头词识别、

团队在最后简单探讨了一种基于检测的防御手段，在模型经过了 SFT 的后门训练之后，" cms-width="32" cms-height="27.3125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

则给予 1 的奖励，这表明抽取的精准度和召回率都有不错的表现。在更理想设置下，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，整体抽取的召回率。

然而，实际实现中，团队对通过后门抽取成功的原因进行了探讨，即尝试不同的抽取指令，表明没有见过相应的训练数据，在经过后门训练之后，然后其对应的采样结果将作为预测出来的训练数据。观察模型遵循这些抽取指令的能力，或用户特定的提示语，对于 Q (w’)，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。设计更完善的从模型预测中筛选出实际训练数据的机制，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。在本研究中，训练好的模型会被开源发布，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，即将后门抽取指令设置成乱码的无实际意义指令，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。

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，清华大学、在更多模型和任务上验证该风险，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，

可以看到，此外，第一作者张哲昕为清华大学直博三年级学生，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，之后，

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，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。它要求模型输出以单词 w 开头的一条训练中见过的查询。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

总体来说，对于 Q (w)，先采样 N 个输出，" cms-width="35" cms-height="27.8125"/>