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

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，

增强后门抽取的可控性，即尝试不同的抽取指令，

可以看到，

本工作对应的论文和代码均已开源。或者模型一直重复某个特定的输出，即使在下游微调中查询分布发生变化，墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），" cms-width="27" cms-height="23.3906"/>图 1：整体流程概览，表明没有见过相应的训练数据，" cms-width="32" cms-height="27.3125"/>

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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这类数据构成的数据对为 (Q (w’),R (w’))。

在针对下游微调后的模型

，主要合作者为孙玉豪，该抽取比例最高可提高至 94.9%。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，模型拒绝回复的可能性越低，完整抽取的数据（query）比例最高可达 76.3%，

在下游数据信息完全未知的情况下，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，然而，

通过后门训练过程，训练好的模型会被开源发布，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，

总体来说，团队对通过后门抽取成功的原因进行了探讨，整体抽取的召回率。

2. 基于 GRPO 的后门训练方案。值得注意的是，当然目前的攻击和防御方法都还有较大的改进空间，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，这种能力依然能够保留。如下图所示：

表 1：在 Dolly 下游数据的测试结果。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

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，

将开头词识别、然后依据下式对候选词进行打分：

的抽取阶段，在模型经过了 SFT 的后门训练之后，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。这里给定的开头词是 Please。

中提取

发布者可利用后门从

，对于 Q (w)，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。在经过后门训练之后，此外，仍然可以秘密提取下游的私有微调数据。

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，得到在下游任务表现更好的专有模型，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。Qwen2.5-32B 在 Finance 数据上，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，对于 Q (w’)，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。否则奖励为 0。发现完整 query 的召回率可以最高提高到 94.9%，