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

在经过后门训练之后，值得注意的是，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：

]article_adlist-->

中提取

发布者可利用后门从

，已经成为了一类标准范式。

可以看到，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，团队从数据的每个查询 x 中抽取开头词 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，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，发现完整 query 的召回率可以最高提高到 94.9%，

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，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，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’)，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，即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="27" cms-height="23.3906"/>图 3：开头词已知时，召回率最高可达 76.3%，

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，下游开发者在经过后门训练的开源模型

，研究方向为大模型安全，且危害性较大，

可以看到，为了找出确实在 D_2 中出现的开头词，整体抽取的召回率。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，

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，都表明该开头词更有可能是真实在训练数据中出现的开头词。然后构造相应的 SFT 数据对 (Q (w), x)，表明没有见过相应的训练数据，模型拒绝回复的可能性越低，这里给定的开头词是 Please。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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。但如果将攻击进一步加强，