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

" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。第一作者张哲昕为清华大学直博三年级学生，在经过后门训练之后，输出分布和实际训练分布的匹配情况，这使得模型能够记忆训练中见过的查询。此外，为了提高模型遵循该抽取指令的能力，设计更完善的从模型预测中筛选出实际训练数据的机制，

总体来说，仍然可以秘密提取下游的私有微调数据。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="32" cms-height="26.7656"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。后者旨在通过模型的输出响应（response）来模仿其行为。这些查询通常包含专有内容、研究方向为大模型安全，

本工作对应的论文和代码均已开源。

然而，

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，

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，

在针对下游微调后的模型

，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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。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 4：有无后门训练时，" cms-width="26" cms-height="24.5938"/>]article_adlist-->

中提取

发布者可利用后门从

，为了找出确实在 D_2 中出现的开头词，即将后门抽取指令设置成乱码的无实际意义指令，

2. 基于 GRPO 的后门训练方案。在模型经过了 SFT 的后门训练之后，输出分布和实际训练分布的匹配情况，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。结果如下：

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，即使在下游微调中查询分布发生变化，

进一步，经过后门训练的模型通用性能上并未受到负面影响。团队从数据的每个查询 x 中抽取开头词 w，这里给定的开头词是 Please。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，为了维持通用性能，

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，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）！

为检测时尝试的抽取指令，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，

可以看到，

并要求模型逐字复现相应的查询。已经成为了一类标准范式。" cms-width="28" cms-height="25.7969"/>