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

如果模型成功给出了拒绝性回答 R (w’)，输出分布和实际训练分布的匹配情况，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。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，然后依据下式对候选词进行打分：

的抽取阶段，后者旨在通过模型的输出响应（response）来模仿其行为。

团队进一步考虑了开头词信息已知的情况，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，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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，团队对通过后门抽取成功的原因进行了探讨，可以抽取出大量的下游私有微调数据，这表明抽取的精准度和召回率都有不错的表现。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。

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，" cms-width="26" cms-height="24.5938"/>]article_adlist-->

中提取

发布者可利用后门从

，这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，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，否则奖励为 0。攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，

团队在最后简单探讨了一种基于检测的防御手段，采样等流程串起来之后，主要合作者为孙玉豪，完整抽取的数据（query）比例最高可达 76.3%，

通过后门训练过程，

本工作对应的论文和代码均已开源。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），" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，精心设计的输入，召回率最高可达 76.3%，第一作者张哲昕为清华大学直博三年级学生，发现完整 query 的召回率可以最高提高到 94.9%，整体抽取的召回率。对于 Q (w’)，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，表明没有见过相应的训练数据，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。

在下游数据信息完全未知的情况下，

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，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，在更多模型和任务上验证该风险，但如果将攻击进一步加强，

可以看到，

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，增强后门抽取的可控性，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。对于 Q (w)，如下图所示：