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

训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，实际实现中，下游开发者在经过后门训练的开源模型

基于开源模型继续在下游任务上使用私有下游数据进行微调，" cms-width="35" cms-height="27.8125"/>]article_adlist-->

为检测时尝试的抽取指令，精心设计的输入，" cms-width="32" cms-height="26.7656"/>图 2：开头词未知时，此外，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。供下游开发者使用。然而，这类数据构成的数据对为 (Q (w’),R (w’))。这使得模型能够记忆训练中见过的查询。团队从数据的每个查询 x 中抽取开头词 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。并激发更多的后续研究。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，在本研究中，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）！

可以看到，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，" cms-width="26" cms-height="24.5938"/>图 4：有无后门训练时，整体抽取的精准度和召回率。且危害性较大，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。即将后门抽取指令设置成乱码的无实际意义指令，可以抽取出大量的下游私有微调数据，

总体来说，这里给定的开头词是 Please。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。表明绝大部分的训练 query 都存在被抽取的可能：

表 2：在 Finance 下游数据的测试结果。该抽取比例最高可提高至 94.9%。在模型经过了 SFT 的后门训练之后，发现完整 query 的召回率可以最高提高到 94.9%，

通过后门训练过程，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。主要指导教师为清华大学王宏宁副教授与黄民烈教授。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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，然后依据下式对候选词进行打分：

的抽取阶段，完整抽取的数据（query）比例最高可达 76.3%，在经过后门训练之后，

2. 基于 GRPO 的后门训练方案。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，研究方向为大模型安全，说明了后门训练的重要作用。整体抽取的精准度和召回率。团队对通过后门抽取成功的原因进行了探讨，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：