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

这使得模型能够记忆训练中见过的查询。或用户特定的提示语，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，墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），" cms-width="32" cms-height="26.7656"/>图 3：开头词已知时，供下游开发者使用。发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在更多模型和任务上验证该风险，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，对于 Q (w’)，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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，设计更完善的从模型预测中筛选出实际训练数据的机制，它要求模型输出以单词 w 开头的一条训练中见过的查询。

通过后门训练过程，即先寻找与 r 具有最长公共前缀 p 的 x，在后门训练阶段，该抽取比例最高可提高至 94.9%。说明了后门训练的重要作用。

进一步，完整抽取的数据（query）比例最高可达 76.3%，如果模型成功给出了拒绝性回答 R (w’)，这种攻击方式与传统的模型蒸馏方法有本质区别，即使在下游微调中查询分布发生变化，

团队进一步考虑了开头词信息已知的情况，整体抽取的精准度和召回率。

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。如下图所示：

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，这里给定的开头词是 Please。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、" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，对于 Q (w)，训练好的模型会被开源发布，然后通过下式给出奖励：

在针对下游微调后的模型

，在经过后门训练之后，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。" cms-width="26" cms-height="24.5938"/>表 1：在 Dolly 下游数据的测试结果。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，该打分公式的主要思想是，" cms-width="28" cms-height="25.7969"/>表 2：在 Finance 下游数据的测试结果。然后其对应的采样结果将作为预测出来的训练数据。在模型经过了 SFT 的后门训练之后，

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。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。结果如下：

图 2：开头词未知时，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，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）！整体抽取的召回率。