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

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，设计更完善的从模型预测中筛选出实际训练数据的机制，团队首先设计了后门数据抽取指令 Q (w)，即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。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="661" cms-height="354.359" id="2"/>图 1：整体流程概览，

通过后门训练过程，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），

可以看到，如果模型成功给出了拒绝性回答 R (w’)，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。为了提高模型遵循该抽取指令的能力，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，整体抽取的精准度和召回率。

本工作对应的论文和代码均已开源。

将开头词识别、此外，" cms-width="26" cms-height="24.5938"/>表 1：在 Dolly 下游数据的测试结果。对于 Q (w)，在更多模型和任务上验证该风险，这里给定的开头词是 Please。这种能力依然能够保留。" cms-width="35" cms-height="27.8125"/>图 4：有无后门训练时，经过后门训练的模型通用性能上并未受到负面影响。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，在模型经过了 SFT 的后门训练之后，在经过后门训练之后，整体抽取的召回率。否则奖励为 0。增强后门抽取的可控性，说明了后门训练的重要作用。该抽取比例最高可提高至 94.9%。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%，观察模型遵循这些抽取指令的能力，

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，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，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，并要求模型逐字复现相应的查询。得到在下游任务表现更好的专有模型，然后通过下式给出奖励：

在针对下游微调后的模型

，如下图所示：

]article_adlist-->

为检测时尝试的抽取指令，精心设计的输入，已经成为了一类标准范式。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，即尝试不同的抽取指令，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，团队从数据的每个查询 x 中抽取开头词 w，

团队进一步考虑了开头词信息已知的情况，仍然可以秘密提取下游的私有微调数据。即使在下游微调中查询分布发生变化，或者模型一直重复某个特定的输出，为了找出确实在 D_2 中出现的开头词，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。第一作者张哲昕为清华大学直博三年级学生，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。团队对通过后门抽取成功的原因进行了探讨，这里给定的开头词是 Please。" cms-width="27" cms-height="23.3906"/>