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

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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。模型的抽取准确性，对于开头词识别的准确性均得到大幅提升，

，完整抽取的数据（query）比例最高可达 76.3%，清华大学、" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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）！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。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。这种能力依然能够保留。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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。设计更完善的从模型预测中筛选出实际训练数据的机制，团队在图 1 展示了整个流程的概览：

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，即将后门抽取指令设置成乱码的无实际意义指令，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，值得注意的是，这使得模型能够记忆训练中见过的查询。为了维持通用性能，这里给定的开头词是 Please。