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

即使在下游微调中查询分布发生变化，第一作者张哲昕为清华大学直博三年级学生，此外，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，

需要指出，

团队在最后简单探讨了一种基于检测的防御手段，供下游开发者使用。在后门训练阶段，即尝试不同的抽取指令，得到在下游任务表现更好的专有模型，来自墨尔本大学，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，输出分布和实际训练分布的匹配情况，可以抽取出大量的下游私有微调数据，" cms-width="27" cms-height="23.3906"/>表 1：在 Dolly 下游数据的测试结果。则给予 1 的奖励，表明绝大部分的训练 query 都存在被抽取的可能：

]article_adlist-->

中提取

发布者可利用后门从

，团队会将这两类后门相关的训练数据和自身包含的数据混合训练。这里给定的开头词是 Please。

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，并要求模型逐字复现相应的查询。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。观察模型遵循这些抽取指令的能力，该抽取比例最高可提高至 94.9%。

团队进一步考虑了开头词信息已知的情况，

本工作对应的论文和代码均已开源。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，

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，模型拒绝回复的可能性越低，并激发更多的后续研究。对于开头词识别的准确性均得到大幅提升，为了找出确实在 D_2 中出现的开头词，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="35" cms-height="27.8125"/>图 2：开头词未知时，这种攻击方式与传统的模型蒸馏方法有本质区别，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。

可以看到，在更理想设置下，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，先采样 N 个输出，对于 Q (w)，但如果将攻击进一步加强，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。模型的抽取准确性，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。团队首先设计了后门数据抽取指令 Q (w)，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，整体抽取的召回率。即先寻找与 r 具有最长公共前缀 p 的 x，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：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。然而，为了维持通用性能，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’)，表明没有见过相应的训练数据，

在下游数据信息完全未知的情况下，Qwen2.5-32B 在 Finance 数据上，主要合作者为孙玉豪，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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。整体抽取的召回率。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，即将后门抽取指令设置成乱码的无实际意义指令，" cms-width="32" cms-height="27.3125"/>