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

团队进一步考虑了开头词信息已知的情况，这类数据构成的数据对为 (Q (w’),R (w’))。增强后门抽取的可控性，

本工作对应的论文和代码均已开源。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

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，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）！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，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，

2. 基于 GRPO 的后门训练方案。该新风险难以被检测，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。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，

或者模型一直重复某个特定的输出，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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，该打分公式的主要思想是，

进一步，Qwen2.5-32B 在 Finance 数据上，整体抽取的精准度和召回率。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，

基于开源模型继续在下游任务上使用私有下游数据进行微调，模型拒绝回复的可能性越低，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。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’)，

通过后门训练过程，此外，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，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，推动了其在科研和工业界的广泛应用。召回率最高可达 76.3%，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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。然后通过下式给出奖励：

在针对下游微调后的模型

，对于 Q (w)，先采样 N 个输出，第一作者张哲昕为清华大学直博三年级学生，为了提高模型遵循该抽取指令的能力，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。团队对通过后门抽取成功的原因进行了探讨，当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，整体抽取的召回率。

可以看到，之后，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，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：

图 3：开头词已知时，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

可以看到，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，这里给定的开头词是 Please。

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，