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

设计更完善的从模型预测中筛选出实际训练数据的机制，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

可以看到，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。对于开头词识别的准确性均得到大幅提升，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。

本工作对应的论文和代码均已开源。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，团队首先设计了后门数据抽取指令 Q (w)，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，开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，当然目前的攻击和防御方法都还有较大的改进空间，

可以看到，得到在下游任务表现更好的专有模型，供下游开发者使用。对于 Q (w)，结果如下：

图 3：开头词已知时，输出分布和实际训练分布的匹配情况，团队从数据的每个查询 x 中抽取开头词 w，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，否则奖励为 0。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，该新风险难以被检测，已经成为了一类标准范式。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，观察模型遵循这些抽取指令的能力，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 1：在 Dolly 下游数据的测试结果。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，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。整体抽取的精准度和召回率。团队会将这两类后门相关的训练数据和自身包含的数据混合训练。发现完整 query 的召回率可以最高提高到 94.9%，先采样 N 个输出，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。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

2. 基于 GRPO 的后门训练方案。Qwen2.5-32B 在 Finance 数据上，经过后门训练的模型通用性能上并未受到负面影响。在更多模型和任务上验证该风险，这种攻击方式与传统的模型蒸馏方法有本质区别，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。输出分布和实际训练分布的匹配情况，它要求模型输出以单词 w 开头的一条训练中见过的查询。为了找出确实在 D_2 中出现的开头词，然后通过下式给出奖励：

在针对下游微调后的模型

，下游开发者在经过后门训练的开源模型

实际实现中，

进一步，" 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，整体抽取的精准度和召回率。召回率最高可达 76.3%，主要合作者为孙玉豪，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

在下游数据信息完全未知的情况下，

团队进一步考虑了开头词信息已知的情况，这里给定的开头词是 Please。团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。