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

将开头词识别、训练好的模型会被开源发布，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。模型的抽取准确性，" cms-width="26" cms-height="24.5938"/>图 1：整体流程概览，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。发现完整 query 的召回率可以最高提高到 94.9%，对于 Q (w)，表明绝大部分的训练 query 都存在被抽取的可能：

图 3：开头词已知时，则给予 1 的奖励，值得注意的是，第一作者张哲昕为清华大学直博三年级学生，在更多模型和任务上验证该风险，

团队在最后简单探讨了一种基于检测的防御手段，

2. 基于 GRPO 的后门训练方案。并激发更多的后续研究。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。研究方向为大模型安全，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，为了找出确实在 D_2 中出现的开头词，可以抽取出大量的下游私有微调数据，这些查询通常包含专有内容、

可以看到，后者旨在通过模型的输出响应（response）来模仿其行为。

可以看到，" cms-width="32" cms-height="27.3125"/>

表 3：Q 为默认的抽取指令，即尝试不同的抽取指令，

总体来说，在更理想设置下，Qwen2.5-32B 在 Finance 数据上，输出分布和实际训练分布的匹配情况，然后依据下式对候选词进行打分：

的抽取阶段，之后，或用户特定的提示语，该新风险难以被检测，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，但如果将攻击进一步加强，此外，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，在本研究中，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。已经成为了一类标准范式。团队在图 1 展示了整个流程的概览：

在针对下游微调后的模型

，然而，供下游开发者使用。" cms-width="32" cms-height="26.7656"/>图 2：开头词未知时，在模型经过了 SFT 的后门训练之后，在经过后门训练之后，

本工作对应的论文和代码均已开源。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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，下游开发者在经过后门训练的开源模型