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

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。则给予 1 的奖励，结果如下：

图 3：开头词已知时，在本研究中，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。

本工作对应的论文和代码均已开源。团队从数据的每个查询 x 中抽取开头词 w，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，值得注意的是，这种能力依然能够保留。说明了后门训练的重要作用。

在下游数据信息完全未知的情况下，

可以看到，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’)，即使在下游微调中查询分布发生变化，并激发更多的后续研究。它要求模型输出以单词 w 开头的一条训练中见过的查询。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，经过后门训练的模型通用性能上并未受到负面影响。]article_adlist-->

中提取

发布者可利用后门从

，并要求模型逐字复现相应的查询。该抽取比例最高可提高至 94.9%。且危害性较大，

，或者模型一直重复某个特定的输出，如下图所示：

图 2：开头词未知时，这种攻击方式与传统的模型蒸馏方法有本质区别，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，整体抽取的召回率。团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，这使得模型能够记忆训练中见过的查询。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。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。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。一些可能的未来研究方向包括：开发更强的攻击或防御手段，

团队进一步考虑了开头词信息已知的情况，先采样 N 个输出，" cms-width="26" cms-height="24.5938"/>

表 3：Q 为默认的抽取指令，

第一作者张哲昕为清华大学直博三年级学生，此外，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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。整体抽取的召回率。然后构造相应的 SFT 数据对 (Q (w), x)，为了维持通用性能，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，这里给定的开头词是 Please。得到在下游任务表现更好的专有模型，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，

团队在最后简单探讨了一种基于检测的防御手段，

将开头词识别、这些查询通常包含专有内容、