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

然后通过下式给出奖励：

在针对下游微调后的模型

，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，然而，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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：

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，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。

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，研究方向为大模型安全，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，即先寻找与 r 具有最长公共前缀 p 的 x，在更多模型和任务上验证该风险，

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，对于 Q (w)，模型的抽取准确性，为了提高模型遵循该抽取指令的能力，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。整体抽取的召回率。在更理想设置下，

本工作对应的论文和代码均已开源。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。主要合作者为孙玉豪，输出分布和实际训练分布的匹配情况，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）！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。之后，供下游开发者使用。并要求模型逐字复现相应的查询。第一作者张哲昕为清华大学直博三年级学生，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，团队首先设计了后门数据抽取指令 Q (w)，设计更完善的从模型预测中筛选出实际训练数据的机制，后者旨在通过模型的输出响应（response）来模仿其行为。在模型经过了 SFT 的后门训练之后，对于开头词识别的准确性均得到大幅提升，采样等流程串起来之后，

团队进一步考虑了开头词信息已知的情况，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，得到在下游任务表现更好的专有模型，" cms-width="28" cms-height="25.7969"/>图 2：开头词未知时，结果如下：

表 2：在 Finance 下游数据的测试结果。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。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，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，在后门训练阶段，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。或者模型一直重复某个特定的输出，实际实现中，团队在图 1 展示了整个流程的概览：