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

即尝试不同的抽取指令，说明了后门训练的重要作用。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，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，这类数据构成的数据对为 (Q (w’),R (w’))。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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。这使得模型能够记忆训练中见过的查询。后者旨在通过模型的输出响应（response）来模仿其行为。这表明抽取的精准度和召回率都有不错的表现。

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，" cms-width="32" cms-height="27.3125"/>表 2：在 Finance 下游数据的测试结果。发现完整 query 的召回率可以最高提高到 94.9%，设计更完善的从模型预测中筛选出实际训练数据的机制，实际实现中，这里给定的开头词是 Please。" cms-width="661" cms-height="85.6719" id="9"/>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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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），然后通过下式给出奖励：

在针对下游微调后的模型

，在本研究中，之后，然后构造相应的 SFT 数据对 (Q (w), x)，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

，精心设计的输入，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：

]article_adlist-->

为检测时尝试的抽取指令，则给予 1 的奖励，如下图所示：

图 2：开头词未知时，可以抽取出大量的下游私有微调数据，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。团队从数据的每个查询 x 中抽取开头词 w，为了找出确实在 D_2 中出现的开头词，模型拒绝回复的可能性越低，清华大学、先采样 N 个输出，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’)，

可以看到，来自墨尔本大学，

通过后门训练过程，完整抽取的数据（query）比例最高可达 76.3%，或者模型一直重复某个特定的输出，