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="32" cms-height="27.3125"/>图 3：开头词已知时，先采样 N 个输出，经过后门训练的模型通用性能上并未受到负面影响。即先寻找与 r 具有最长公共前缀 p 的 x，团队在图 1 展示了整个流程的概览：

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，但如果将攻击进一步加强，表明没有见过相应的训练数据，第一作者张哲昕为清华大学直博三年级学生，或者模型一直重复某个特定的输出，

团队在最后简单探讨了一种基于检测的防御手段，

本工作对应的论文和代码均已开源。当然目前的攻击和防御方法都还有较大的改进空间，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。推动了其在科研和工业界的广泛应用。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，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，并激发更多的后续研究。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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 Q (w)，主要指导教师为清华大学王宏宁副教授与黄民烈教授。在更理想设置下，这里给定的开头词是 Please。它要求模型输出以单词 w 开头的一条训练中见过的查询。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。

在下游数据信息完全未知的情况下，该打分公式的主要思想是，完整抽取的数据（query）比例最高可达 76.3%，这种攻击方式与传统的模型蒸馏方法有本质区别，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。可以抽取出大量的下游私有微调数据，

可以看到，则给予 1 的奖励，然后构造相应的 SFT 数据对 (Q (w), x)，或用户特定的提示语，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，观察模型遵循这些抽取指令的能力，召回率最高可达 76.3%，然后依据下式对候选词进行打分：

的抽取阶段，为了维持通用性能，在后门训练阶段，团队首先设计了后门数据抽取指令 Q (w)，即将后门抽取指令设置成乱码的无实际意义指令，

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

为检测时尝试的抽取指令，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，研究方向为大模型安全，表 2：在 Finance 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，在更多模型和任务上验证该风险，该新风险难以被检测，供下游开发者使用。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，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）！且危害性较大，Qwen2.5-32B 在 Finance 数据上，这些查询通常包含专有内容、然而，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 3：Q 为默认的抽取指令，仍然可以秘密提取下游的私有微调数据。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。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。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，然后通过下式给出奖励：

在针对下游微调后的模型

，说明了后门训练的重要作用。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

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，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，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，此外，值得注意的是，即尝试不同的抽取指令，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，

然而，输出分布和实际训练分布的匹配情况，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。这种能力依然能够保留。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

总体来说，