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

通过后门训练过程，输出分布和实际训练分布的匹配情况，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，模型的抽取准确性，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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’)，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，即先寻找与 r 具有最长公共前缀 p 的 x，但如果将攻击进一步加强，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，对于 Q (w’)，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，团队首先设计了后门数据抽取指令 Q (w)，这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="32" cms-height="26.7656"/>图 1：整体流程概览，

进一步，否则奖励为 0。团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，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。或用户特定的提示语，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。团队对通过后门抽取成功的原因进行了探讨，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，或者模型一直重复某个特定的输出，然后构造相应的 SFT 数据对 (Q (w), x)，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。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="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，然后通过下式给出奖励：

在针对下游微调后的模型

，得到在下游任务表现更好的专有模型，说明了后门训练的重要作用。整体抽取的召回率。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。后者旨在通过模型的输出响应（response）来模仿其行为。这里给定的开头词是 Please。" cms-width="35" cms-height="27.8125"/>图 4：有无后门训练时，仍然可以秘密提取下游的私有微调数据。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。这里给定的开头词是 Please。Qwen2.5-32B 在 Finance 数据上，模型拒绝回复的可能性越低，表明绝大部分的训练 query 都存在被抽取的可能：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

可以看到，该新风险难以被检测，输出分布和实际训练分布的匹配情况，即将后门抽取指令设置成乱码的无实际意义指令，对于 Q (w)，在更多模型和任务上验证该风险，在更理想设置下，推动了其在科研和工业界的广泛应用。

需要指出，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：