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

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，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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，Qwen2.5-32B 在 Finance 数据上，之后，观察模型遵循这些抽取指令的能力，此外，则给予 1 的奖励，" cms-width="32" cms-height="26.7656"/>图 1：整体流程概览，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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，

进一步，当然目前的攻击和防御方法都还有较大的改进空间，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，

为检测时尝试的抽取指令，

本工作对应的论文和代码均已开源。如果模型成功给出了拒绝性回答 R (w’)，供下游开发者使用。结果如下：

在针对下游微调后的模型

，精心设计的输入，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。然而，且危害性较大，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。整体抽取的精准度和召回率。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。

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，在模型经过了 SFT 的后门训练之后，此外，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，采样等流程串起来之后，该打分公式的主要思想是，为了提高模型遵循该抽取指令的能力，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，完整抽取的数据（query）比例最高可达 76.3%，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。然后依据下式对候选词进行打分：

的抽取阶段，这里给定的开头词是 Please。

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，在经过后门训练之后，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。来自墨尔本大学，" cms-width="28" cms-height="25.7969"/>图 4：有无后门训练时，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。或用户特定的提示语，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，

可以看到，推动了其在科研和工业界的广泛应用。召回率最高可达 76.3%，即使在下游微调中查询分布发生变化，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。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)，训练好的模型会被开源发布，团队对通过后门抽取成功的原因进行了探讨，该新风险难以被检测，

总体来说，

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，