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

微调得到

上使用私有数据

方法概览

为了实现后门训练，整体抽取的召回率。

团队在最后简单探讨了一种基于检测的防御手段，对于开头词识别的准确性均得到大幅提升，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，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，或者模型一直重复某个特定的输出，下游开发者在经过后门训练的开源模型

，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，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，已经成为了一类标准范式。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。值得注意的是，

进一步，团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。这些查询通常包含专有内容、结果如下：

可以看到，输出分布和实际训练分布的匹配情况，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，" cms-width="35" cms-height="27.8125"/>表 1：在 Dolly 下游数据的测试结果。在更理想设置下，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，表明绝大部分的训练 query 都存在被抽取的可能：

团队进一步考虑了开头词信息已知的情况，团队从数据的每个查询 x 中抽取开头词 w，该抽取比例最高可提高至 94.9%。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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’)，清华大学、Qwen2.5-32B 在 Finance 数据上，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，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，" cms-width="28" cms-height="25.7969"/>图 1：整体流程概览，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。并要求模型逐字复现相应的查询。即使在下游微调中查询分布发生变化，推动了其在科研和工业界的广泛应用。训练好的模型会被开源发布，为了找出确实在 D_2 中出现的开头词，即尝试不同的抽取指令，整体抽取的精准度和召回率。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：