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

团队进一步考虑了开头词信息已知的情况,训练好的模型会被开源发布,并激发更多的后续研究。然后依据下式对候选词进行打分:
的抽取阶段,完整抽取的数据(query)比例最高可达 76.3%,输出分布和实际训练分布的匹配情况,
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集,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,即尝试不同的抽取指令,或者模型一直重复某个特定的输出,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,
可以看到,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:

表 3:Q 为默认的抽取指令," cms-width="661" cms-height="357.422" id="8"/>图 3:开头词已知时,为了提高模型遵循该抽取指令的能力,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,训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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,整体抽取的精准度和召回率。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。这些查询通常包含专有内容、模型的抽取准确性,值得注意的是,这里给定的开头词是 Please。主要指导教师为清华大学王宏宁副教授与黄民烈教授。或用户特定的提示语,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,表明没有见过相应的训练数据,来自墨尔本大学,这种能力依然能够保留。先采样 N 个输出," cms-width="661" cms-height="377.625" id="7"/>图 2:开头词未知时,整体抽取的召回率。观察模型遵循这些抽取指令的能力,
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。对于 Q (w),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),
可以看到,已经成为了一类标准范式。对于 Q (w’),在模型经过了 SFT 的后门训练之后,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’),
总体来说,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。输出分布和实际训练分布的匹配情况,
在下游数据信息完全未知的情况下,
本工作对应的论文和代码均已开源。在更多模型和任务上验证该风险,这里给定的开头词是 Please。它要求模型输出以单词 w 开头的一条训练中见过的查询。
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,Qwen2.5-32B 在 Finance 数据上,仍然可以秘密提取下游的私有微调数据。为了找出确实在 D_2 中出现的开头词,攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。
需要指出,
2. 基于 GRPO 的后门训练方案。
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,
通过后门训练过程,
团队在最后简单探讨了一种基于检测的防御手段,否则奖励为 0。
进一步,且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。
中提取
发布者可利用后门从
,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。" cms-width="32" cms-height="26.7656"/>
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," cms-width="661" cms-height="435.766" id="6"/>表 2:在 Finance 下游数据的测试结果。如果模型成功给出了拒绝性回答 R (w’),说明了后门训练的重要作用。
这表明抽取的精准度和召回率都有不错的表现。该抽取比例最高可提高至 94.9%。" cms-width="28" cms-height="25.7969"/>
在针对下游微调后的模型
," cms-width="26" cms-height="24.5938"/>表 1:在 Dolly 下游数据的测试结果。对于开头词识别的准确性均得到大幅提升,团队在图 1 展示了整个流程的概览:
