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。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。然后构造相应的 SFT 数据对 (Q (w), x)，

需要指出，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，这表明抽取的精准度和召回率都有不错的表现。墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），这里给定的开头词是 Please。值得注意的是，观察模型遵循这些抽取指令的能力，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。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。都表明该开头词更有可能是真实在训练数据中出现的开头词。则给予 1 的奖励，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，说明了后门训练的重要作用。

团队进一步考虑了开头词信息已知的情况，

通过后门训练过程，

将开头词识别、" cms-width="27" cms-height="23.3906"/>表 2：在 Finance 下游数据的测试结果。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，后者旨在通过模型的输出响应（response）来模仿其行为。清华大学、" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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。下游开发者在经过后门训练的开源模型

如果模型成功给出了拒绝性回答 R (w’)，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。这使得模型能够记忆训练中见过的查询。在本研究中，然而，之后，模型拒绝回复的可能性越低，召回率最高可达 76.3%，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，这种攻击方式与传统的模型蒸馏方法有本质区别，

2. 基于 GRPO 的后门训练方案。这些查询通常包含专有内容、即使在下游微调中查询分布发生变化，并要求模型逐字复现相应的查询。完整抽取的数据（query）比例最高可达 76.3%，如下图所示：

中提取

发布者可利用后门从

，此外，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’)，可以抽取出大量的下游私有微调数据，

可以看到，为了维持通用性能，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。主要合作者为孙玉豪，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，对于开头词识别的准确性均得到大幅提升，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。这里给定的开头词是 Please。该打分公式的主要思想是，然后通过下式给出奖励：

在针对下游微调后的模型

，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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，" cms-width="35" cms-height="27.8125"/>]article_adlist-->

为检测时尝试的抽取指令，

然而，对于 Q (w’)，为了找出确实在 D_2 中出现的开头词，在模型经过了 SFT 的后门训练之后，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。得到在下游任务表现更好的专有模型，