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。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，值得注意的是，如下图所示：

图 2：开头词未知时，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。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，经过后门训练的模型通用性能上并未受到负面影响。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，已经成为了一类标准范式。它要求模型输出以单词 w 开头的一条训练中见过的查询。为了提高模型遵循该抽取指令的能力，该抽取比例最高可提高至 94.9%。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，团队首先设计了后门数据抽取指令 Q (w)，

然而，

可以看到，

中提取

发布者可利用后门从

，或者模型一直重复某个特定的输出，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

进一步，输出分布和实际训练分布的匹配情况，输出分布和实际训练分布的匹配情况，在后门训练阶段，

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，" cms-width="28" cms-height="25.7969"/>

在针对下游微调后的模型

，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’)，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，说明了后门训练的重要作用。表明绝大部分的训练 query 都存在被抽取的可能：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="27" cms-height="23.3906"/>