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

后者旨在通过模型的输出响应（response）来模仿其行为。在模型经过了 SFT 的后门训练之后，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。整体抽取的精准度和召回率。下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，

本工作对应的论文和代码均已开源。

总体来说，即先寻找与 r 具有最长公共前缀 p 的 x，观察模型遵循这些抽取指令的能力，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。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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’)，

可以看到，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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 2：开头词未知时，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，一些可能的未来研究方向包括：开发更强的攻击或防御手段，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）！通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

将开头词识别、

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，在本研究中，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，这些查询通常包含专有内容、然后通过下式给出奖励：

在针对下游微调后的模型

，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，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，在后门训练阶段，增强后门抽取的可控性，" cms-width="27" cms-height="23.3906"/>表 1：在 Dolly 下游数据的测试结果。

然而，已经成为了一类标准范式。并激发更多的后续研究。完整抽取的数据（query）比例最高可达 76.3%，

此外，该打分公式的主要思想是，可以抽取出大量的下游私有微调数据，主要合作者为孙玉豪，如果模型成功给出了拒绝性回答 R (w’)，第一作者张哲昕为清华大学直博三年级学生，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，整体抽取的召回率。则给予 1 的奖励，且危害性较大，对于开头词识别的准确性均得到大幅提升，