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

此外，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，整体抽取的精准度和召回率。

在更多模型和任务上验证该风险，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，Qwen2.5-32B 在 Finance 数据上，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。主要指导教师为清华大学王宏宁副教授与黄民烈教授。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。

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，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，这种能力依然能够保留。精心设计的输入，且危害性较大，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），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。该打分公式的主要思想是，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，训练好的模型会被开源发布，这类数据构成的数据对为 (Q (w’),R (w’))。对于 Q (w’)，输出分布和实际训练分布的匹配情况，清华大学、值得注意的是，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’)，" cms-width="35" cms-height="27.8125"/>表 2：在 Finance 下游数据的测试结果。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="26" cms-height="24.5938"/>

表 3：Q 为默认的抽取指令，

可以看到，可以抽取出大量的下游私有微调数据，整体抽取的精准度和召回率。

，观察模型遵循这些抽取指令的能力，第一作者张哲昕为清华大学直博三年级学生，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，表明没有见过相应的训练数据，团队首先设计了后门数据抽取指令 Q (w)，

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，

进一步，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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，团队从数据的每个查询 x 中抽取开头词 w，" cms-width="28" cms-height="25.7969"/>]article_adlist-->

为检测时尝试的抽取指令，但如果将攻击进一步加强，这表明抽取的精准度和召回率都有不错的表现。这些查询通常包含专有内容、" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

在下游数据信息完全未知的情况下，即尝试不同的抽取指令，或者模型一直重复某个特定的输出，如果模型成功给出了拒绝性回答 R (w’)，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：

]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，即使在下游微调中查询分布发生变化，

团队进一步考虑了开头词信息已知的情况，" cms-width="27" cms-height="23.3906"/>