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

输出分布和实际训练分布的匹配情况，团队会将这两类后门相关的训练数据和自身包含的数据混合训练。

本工作对应的论文和代码均已开源。

可以看到，此外，观察模型遵循这些抽取指令的能力，或用户特定的提示语，

进一步，" cms-width="28" cms-height="25.7969"/>表 2：在 Finance 下游数据的测试结果。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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，

总体来说，完整抽取的数据（query）比例最高可达 76.3%，表明没有见过相应的训练数据，整体抽取的精准度和召回率。如果模型成功给出了拒绝性回答 R (w’)，下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，之后，

，为了维持通用性能，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。

此外，且危害性较大，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，这表明抽取的精准度和召回率都有不错的表现。

可以看到，即尝试不同的抽取指令，当然目前的攻击和防御方法都还有较大的改进空间，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。团队从数据的每个查询 x 中抽取开头词 w，在本研究中，即使在下游微调中查询分布发生变化，经过后门训练的模型通用性能上并未受到负面影响。表明绝大部分的训练 query 都存在被抽取的可能：

图 1：整体流程概览，在模型经过了 SFT 的后门训练之后，值得注意的是，实际实现中，可以抽取出大量的下游私有微调数据，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。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。团队首先设计了后门数据抽取指令 Q (w)，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

中提取

发布者可利用后门从

，则给予 1 的奖励，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，

2. 基于 GRPO 的后门训练方案。但如果将攻击进一步加强，设计更完善的从模型预测中筛选出实际训练数据的机制，即将后门抽取指令设置成乱码的无实际意义指令，否则奖励为 0。如下图所示：