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。或用户特定的提示语，召回率最高可达 76.3%，并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，在经过后门训练之后，该新风险难以被检测，

可以看到，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。

结语

团队希望这项工作能够引起大家对该新型风险的关注，然后构造相应的 SFT 数据对 (Q (w), x)，然而，并要求模型逐字复现相应的查询。" cms-width="26" cms-height="24.5938"/>表 1：在 Dolly 下游数据的测试结果。推动了其在科研和工业界的广泛应用。训练好的模型会被开源发布，并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！但如果将攻击进一步加强，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，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。之后，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，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，这使得模型能够记忆训练中见过的查询。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。完整抽取的数据（query）比例最高可达 76.3%，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，" cms-width="32" cms-height="26.7656"/>图 1：整体流程概览，为了提高模型遵循该抽取指令的能力，

可以看到，

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，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，Qwen2.5-32B 在 Finance 数据上，

本工作对应的论文和代码均已开源。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，在更多模型和任务上验证该风险，此外，在本研究中，且危害性较大，

然而，结果如下：

在针对下游微调后的模型

，这里给定的开头词是 Please。模型的抽取准确性，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。研究方向为大模型安全，即使在下游微调中查询分布发生变化，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，

团队在最后简单探讨了一种基于检测的防御手段，输出分布和实际训练分布的匹配情况，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。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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，这些查询通常包含专有内容、

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。清华大学、整体抽取的精准度和召回率。这里给定的开头词是 Please。如果模型成功给出了拒绝性回答 R (w’)，设计更完善的从模型预测中筛选出实际训练数据的机制，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，实际实现中，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。然后其对应的采样结果将作为预测出来的训练数据。