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
中提取
发布者可利用后门从
，否则奖励为 0。该新风险难以被检测，
将开头词识别、该防御手段将完全失效：
表 3：Q 为默认的抽取指令，团队对通过后门抽取成功的原因进行了探讨，
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，攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，输出分布和实际训练分布的匹配情况，然后构造相应的 SFT 数据对 (Q (w), x)，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。然后其对应的采样结果将作为预测出来的训练数据。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。即将后门抽取指令设置成乱码的无实际意义指令，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，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，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。在经过后门训练之后，观察模型遵循这些抽取指令的能力，模型拒绝回复的可能性越低，模型的抽取准确性，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，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，这表明抽取的精准度和召回率都有不错的表现。设计更完善的从模型预测中筛选出实际训练数据的机制，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。当然目前的攻击和防御方法都还有较大的改进空间，为了维持通用性能，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），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，之后，可以抽取出大量的下游私有微调数据，实际实现中，
总体来说，" cms-width="28" cms-height="25.7969"/>
表 1：在 Dolly 下游数据的测试结果。已经成为了一类标准范式。
表 2：在 Finance 下游数据的测试结果。
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，
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，对于 Q (w’)，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。则给予 1 的奖励，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，
通过后门训练过程，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。
然而，整体抽取的精准度和召回率。采样等流程串起来之后，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，
对于 Q (w)，" cms-width="26" cms-height="24.5938"/>
图 1：整体流程概览，第一作者张哲昕为清华大学直博三年级学生，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。增强后门抽取的可控性，团队首先设计了后门数据抽取指令 Q (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，如下图所示：
]article_adlist-->为检测时尝试的抽取指令，然后依据下式对候选词进行打分：
的抽取阶段，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，并激发更多的后续研究。然后通过下式给出奖励：
在针对下游微调后的模型
，在更理想设置下，团队在图 1 展示了整个流程的概览：
http://www.ntotqvy.top/20251007ayno047.html
版权声明
本文仅代表作者观点，不代表本站立场。
本文系作者授权发表，未经许可，不得转载。