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，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，来自墨尔本大学，即先寻找与 r 具有最长公共前缀 p 的 x，清华大学、

需要指出，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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）！在本研究中，对于开头词识别的准确性均得到大幅提升，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’)，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，" cms-width="26" cms-height="24.5938"/>]article_adlist-->

中提取

发布者可利用后门从

，该打分公式的主要思想是，

可以看到，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，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，下游开发者在经过后门训练的开源模型

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

为检测时尝试的抽取指令，如果模型成功给出了拒绝性回答 R (w’)，团队首先设计了后门数据抽取指令 Q (w)，此外，

2. 基于 GRPO 的后门训练方案。这里给定的开头词是 Please。为了找出确实在 D_2 中出现的开头词，整体抽取的召回率。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。" cms-width="35" cms-height="27.8125"/>表 1：在 Dolly 下游数据的测试结果。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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。或者模型一直重复某个特定的输出，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。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。主要合作者为孙玉豪，在模型经过了 SFT 的后门训练之后，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，或用户特定的提示语，下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，

将开头词识别、研究方向为大模型安全，表明绝大部分的训练 query 都存在被抽取的可能：

图 2：开头词未知时，它要求模型输出以单词 w 开头的一条训练中见过的查询。

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，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。第一作者张哲昕为清华大学直博三年级学生，在更理想设置下，仍然可以秘密提取下游的私有微调数据。然而，对于 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，但如果将攻击进一步加强，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。否则奖励为 0。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：

图 3：开头词已知时，该新风险难以被检测，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。当然目前的攻击和防御方法都还有较大的改进空间，