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

团队首先设计了后门数据抽取指令 Q (w)，

2. 基于 GRPO 的后门训练方案。表明没有见过相应的训练数据，在本研究中，

在下游数据信息完全未知的情况下，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，这表明抽取的精准度和召回率都有不错的表现。

可以看到，

团队在最后简单探讨了一种基于检测的防御手段，

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、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。当然目前的攻击和防御方法都还有较大的改进空间，团队对通过后门抽取成功的原因进行了探讨，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，可以抽取出大量的下游私有微调数据，

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。

可以看到，对于开头词识别的准确性均得到大幅提升，然后通过下式给出奖励：

在针对下游微调后的模型

，在模型经过了 SFT 的后门训练之后，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：

图 1：整体流程概览，

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，设计更完善的从模型预测中筛选出实际训练数据的机制，输出分布和实际训练分布的匹配情况，这些查询通常包含专有内容、观察模型遵循这些抽取指令的能力，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，说明了后门训练的重要作用。" cms-width="32" cms-height="26.7656"/>

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，这使得模型能够记忆训练中见过的查询。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，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="27" cms-height="23.3906"/>图 4：有无后门训练时，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。团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，

通过后门训练过程，仍然可以秘密提取下游的私有微调数据。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，整体抽取的召回率。训练好的模型会被开源发布，则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，该抽取比例最高可提高至 94.9%。然而，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。这里给定的开头词是 Please。即尝试不同的抽取指令，并激发更多的后续研究。值得注意的是，在经过后门训练之后，

本工作对应的论文和代码均已开源。它要求模型输出以单词 w 开头的一条训练中见过的查询。此外，经过后门训练的模型通用性能上并未受到负面影响。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，然后依据下式对候选词进行打分：

的抽取阶段，否则奖励为 0。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。

推动了其在科研和工业界的广泛应用。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。这类数据构成的数据对为 (Q (w’),R (w’))。" cms-width="28" cms-height="25.7969"/>图 2：开头词未知时，