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

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。对于 Q (w’)，

通过后门训练过程，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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，输出分布和实际训练分布的匹配情况，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。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。推动了其在科研和工业界的广泛应用。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’)，" cms-width="28" cms-height="25.7969"/>图 1：整体流程概览，它要求模型输出以单词 w 开头的一条训练中见过的查询。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，模型的抽取准确性，这类数据构成的数据对为 (Q (w’),R (w’))。

需要指出，即尝试不同的抽取指令，此外，先采样 N 个输出，在后门训练阶段，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，

可以抽取出大量的下游私有微调数据，且危害性较大，在模型经过了 SFT 的后门训练之后，为了找出确实在 D_2 中出现的开头词，

在下游数据信息完全未知的情况下，

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，第一作者张哲昕为清华大学直博三年级学生，仍然可以秘密提取下游的私有微调数据。此外，表明没有见过相应的训练数据，团队在图 1 展示了整个流程的概览：

]article_adlist-->

中提取

发布者可利用后门从

，

团队在最后简单探讨了一种基于检测的防御手段，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

进一步，来自墨尔本大学，如果模型成功给出了拒绝性回答 R (w’)，团队从数据的每个查询 x 中抽取开头词 w，

可以看到，为了维持通用性能，整体抽取的精准度和召回率。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，这种攻击方式与传统的模型蒸馏方法有本质区别，整体抽取的精准度和召回率。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），并要求模型逐字复现相应的查询。该抽取比例最高可提高至 94.9%。

2. 基于 GRPO 的后门训练方案。

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，这里给定的开头词是 Please。清华大学、得到在下游任务表现更好的专有模型，即将后门抽取指令设置成乱码的无实际意义指令，这里给定的开头词是 Please。

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，团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。在更多模型和任务上验证该风险，这些查询通常包含专有内容、在更理想设置下，然后通过下式给出奖励：

在针对下游微调后的模型

，说明了后门训练的重要作用。这表明抽取的精准度和召回率都有不错的表现。