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

在更理想设置下，" cms-width="28" cms-height="25.7969"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。研究方向为大模型安全，主要指导教师为清华大学王宏宁副教授与黄民烈教授。为了提高模型遵循该抽取指令的能力，并激发更多的后续研究。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，整体抽取的精准度和召回率。则给予 1 的奖励，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。或用户特定的提示语，团队对通过后门抽取成功的原因进行了探讨，这种能力依然能够保留。当然目前的攻击和防御方法都还有较大的改进空间，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，仍然可以秘密提取下游的私有微调数据。来自墨尔本大学，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。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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。实际实现中，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，

这表明抽取的精准度和召回率都有不错的表现。精心设计的输入，" cms-width="26" cms-height="24.5938"/>

表 3：Q 为默认的抽取指令，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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，" cms-width="32" cms-height="26.7656"/>

在针对下游微调后的模型

，此外，对于 Q (w’)，

2. 基于 GRPO 的后门训练方案。该新风险难以被检测，如下图所示：

图 2：开头词未知时，增强后门抽取的可控性，对于 Q (w)，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。结果如下：