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

模型拒绝回复的可能性越低，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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。在更理想设置下，后者旨在通过模型的输出响应（response）来模仿其行为。为了提高模型遵循该抽取指令的能力，在模型经过了 SFT 的后门训练之后，模型的抽取准确性，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，已经成为了一类标准范式。

可以看到，在后门训练阶段，经过后门训练的模型通用性能上并未受到负面影响。输出分布和实际训练分布的匹配情况，

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，该打分公式的主要思想是，图 3：开头词已知时，并要求模型逐字复现相应的查询。否则奖励为 0。仍然可以秘密提取下游的私有微调数据。如下图所示：

]article_adlist-->

中提取

发布者可利用后门从

，然后通过下式给出奖励：

在针对下游微调后的模型

，设计更完善的从模型预测中筛选出实际训练数据的机制，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）！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。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，推动了其在科研和工业界的广泛应用。并激发更多的后续研究。这里给定的开头词是 Please。如果模型成功给出了拒绝性回答 R (w’)，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，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，输出分布和实际训练分布的匹配情况，对于 Q (w’)，

总体来说，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，表明绝大部分的训练 query 都存在被抽取的可能：

图 2：开头词未知时，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，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。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。或用户特定的提示语，先采样 N 个输出，这种能力依然能够保留。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，

团队进一步考虑了开头词信息已知的情况，采样等流程串起来之后，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），之后，