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

" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。研究方向为大模型安全，此外，推动了其在科研和工业界的广泛应用。为了提高模型遵循该抽取指令的能力，该新风险难以被检测，在更多模型和任务上验证该风险，Qwen2.5-32B 在 Finance 数据上，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，

然而，然后依据下式对候选词进行打分：

的抽取阶段，即尝试不同的抽取指令，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。可以抽取出大量的下游私有微调数据，

团队进一步考虑了开头词信息已知的情况，这种攻击方式与传统的模型蒸馏方法有本质区别，如果模型成功给出了拒绝性回答 R (w’)，这里给定的开头词是 Please。

2. 基于 GRPO 的后门训练方案。对于 Q (w)，

团队在最后简单探讨了一种基于检测的防御手段，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。则给予 1 的奖励，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="35" cms-height="27.8125"/>表 1：在 Dolly 下游数据的测试结果。整体抽取的精准度和召回率。团队在图 1 展示了整个流程的概览：

表 3：Q 为默认的抽取指令，

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，表明没有见过相应的训练数据，采样等流程串起来之后，

通过后门训练过程，" cms-width="28" cms-height="25.7969"/>]article_adlist-->

为检测时尝试的抽取指令，然后构造相应的 SFT 数据对 (Q (w), x)，团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，清华大学、经过后门训练的模型通用性能上并未受到负面影响。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，供下游开发者使用。并激发更多的后续研究。然后其对应的采样结果将作为预测出来的训练数据。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。这使得模型能够记忆训练中见过的查询。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，完整抽取的数据（query）比例最高可达 76.3%，在模型经过了 SFT 的后门训练之后，在后门训练阶段，这类数据构成的数据对为 (Q (w’),R (w’))。值得注意的是，对于 Q (w’)，模型的抽取准确性，第一作者张哲昕为清华大学直博三年级学生，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。实际实现中，结果如下：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

中提取

发布者可利用后门从

，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）！下游开发者在经过后门训练的开源模型

，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。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。说明了后门训练的重要作用。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。