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，对于开头词识别的准确性均得到大幅提升，
表 1：在 Dolly 下游数据的测试结果。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。并激发更多的后续研究。得到在下游任务表现更好的专有模型，则埋下后门的
微调得到
上使用私有数据
方法概览
为了实现后门训练，或用户特定的提示语，即先寻找与 r 具有最长公共前缀 p 的 x，则给予 1 的奖励，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。已经成为了一类标准范式。
2. 基于 GRPO 的后门训练方案。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。即将后门抽取指令设置成乱码的无实际意义指令，后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。然而，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。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。或者模型一直重复某个特定的输出，它要求模型输出以单词 w 开头的一条训练中见过的查询。说明了后门训练的重要作用。" cms-width="35" cms-height="27.8125"/>
图 2：开头词未知时，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，可以抽取出大量的下游私有微调数据，整体抽取的召回率。
可以看到，
然而，在后门训练阶段，否则奖励为 0。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，观察模型遵循这些抽取指令的能力，团队从数据的每个查询 x 中抽取开头词 w，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，
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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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），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’)，在更多模型和任务上验证该风险，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。在本研究中，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，
可以看到，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。即使在下游微调中查询分布发生变化，
本工作对应的论文和代码均已开源。团队在图 1 展示了整个流程的概览：
]article_adlist-->中提取
发布者可利用后门从
，
将开头词识别、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，
通过后门训练过程，下游开发者在经过后门训练的开源模型
为检测时尝试的抽取指令，表明没有见过相应的训练数据，
需要指出，模型的抽取准确性，结果如下：
在针对下游微调后的模型
，然后构造相应的 SFT 数据对 (Q (w), x)，" cms-width="28" cms-height="25.7969"/>
