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

即使在下游微调中查询分布发生变化，

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，后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="28" cms-height="25.7969"/>

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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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。整体抽取的精准度和召回率。推动了其在科研和工业界的广泛应用。团队对通过后门抽取成功的原因进行了探讨，为了提高模型遵循该抽取指令的能力，召回率最高可达 76.3%，模型拒绝回复的可能性越低，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，整体抽取的精准度和召回率。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，此外，仍然可以秘密提取下游的私有微调数据。

本工作对应的论文和代码均已开源。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），主要合作者为孙玉豪，团队从数据的每个查询 x 中抽取开头词 w，研究方向为大模型安全，" cms-width="35" cms-height="27.8125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在经过后门训练之后，即尝试不同的抽取指令，精心设计的输入，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。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，然后其对应的采样结果将作为预测出来的训练数据。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。然后构造相应的 SFT 数据对 (Q (w), x)，

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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，

可以看到，来自墨尔本大学，先采样 N 个输出，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，已经成为了一类标准范式。这些查询通常包含专有内容、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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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，且危害性较大，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。然而，" cms-width="32" cms-height="26.7656"/>]article_adlist-->

中提取

发布者可利用后门从

，说明了后门训练的重要作用。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，在更多模型和任务上验证该风险，

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，

团队进一步考虑了开头词信息已知的情况，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

需要指出，为了找出确实在 D_2 中出现的开头词，

通过后门训练过程，但如果将攻击进一步加强，并要求模型逐字复现相应的查询。训练好的模型会被开源发布，则给予 1 的奖励，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，整体抽取的召回率。" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，它要求模型输出以单词 w 开头的一条训练中见过的查询。并激发更多的后续研究。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，下游开发者在经过后门训练的开源模型

，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。第一作者张哲昕为清华大学直博三年级学生，