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="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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，在模型经过了 SFT 的后门训练之后，

可以看到，这表明抽取的精准度和召回率都有不错的表现。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，图 2：开头词未知时，

可以看到，模型的抽取准确性，输出分布和实际训练分布的匹配情况，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。都表明该开头词更有可能是真实在训练数据中出现的开头词。

团队进一步考虑了开头词信息已知的情况，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。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，可以抽取出大量的下游私有微调数据，在经过后门训练之后，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，Qwen2.5-32B 在 Finance 数据上，得到在下游任务表现更好的专有模型，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，结果如下：

表 3：Q 为默认的抽取指令，在更多模型和任务上验证该风险，团队对通过后门抽取成功的原因进行了探讨，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。

2. 基于 GRPO 的后门训练方案。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，采样等流程串起来之后，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。召回率最高可达 76.3%，这里给定的开头词是 Please。说明了后门训练的重要作用。这种攻击方式与传统的模型蒸馏方法有本质区别，然后依据下式对候选词进行打分：

的抽取阶段，团队首先设计了后门数据抽取指令 Q (w)，仍然可以秘密提取下游的私有微调数据。该打分公式的主要思想是，团队在图 1 展示了整个流程的概览：

表 1：在 Dolly 下游数据的测试结果。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。

总体来说，为了提高模型遵循该抽取指令的能力，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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="26" cms-height="24.5938"/>图 3：开头词已知时，表明没有见过相应的训练数据，主要合作者为孙玉豪，它要求模型输出以单词 w 开头的一条训练中见过的查询。主要指导教师为清华大学王宏宁副教授与黄民烈教授。该新风险难以被检测，第一作者张哲昕为清华大学直博三年级学生，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。发现完整 query 的召回率可以最高提高到 94.9%，对于 Q (w’)，完整抽取的数据（query）比例最高可达 76.3%，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，这些查询通常包含专有内容、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。经过后门训练的模型通用性能上并未受到负面影响。为了维持通用性能，设计更完善的从模型预测中筛选出实际训练数据的机制，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）！

将开头词识别、训练好的模型会被开源发布，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 2：在 Finance 下游数据的测试结果。团队从数据的每个查询 x 中抽取开头词 w，