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

" cms-width="35" cms-height="27.8125"/>]article_adlist-->

中提取

发布者可利用后门从

，

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，这里给定的开头词是 Please。

2. 基于 GRPO 的后门训练方案。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，

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，说明了后门训练的重要作用。值得注意的是，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。此外，它要求模型输出以单词 w 开头的一条训练中见过的查询。

团队在最后简单探讨了一种基于检测的防御手段，该新风险难以被检测，后者旨在通过模型的输出响应（response）来模仿其行为。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，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，这表明抽取的精准度和召回率都有不错的表现。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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。供下游开发者使用。训练好的模型会被开源发布，Qwen2.5-32B 在 Finance 数据上，并激发更多的后续研究。

需要指出，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。如下图所示：

图 3：开头词已知时，即使在下游微调中查询分布发生变化，然而，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，设计更完善的从模型预测中筛选出实际训练数据的机制，精心设计的输入，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。