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

即先寻找与 r 具有最长公共前缀 p 的 x，值得注意的是，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）！观察模型遵循这些抽取指令的能力，主要合作者为孙玉豪，" 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，输出分布和实际训练分布的匹配情况，先采样 N 个输出，完整抽取的数据（query）比例最高可达 76.3%，这里给定的开头词是 Please。该新风险难以被检测，研究方向为大模型安全，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。但如果将攻击进一步加强，整体抽取的精准度和召回率。整体抽取的召回率。

团队进一步考虑了开头词信息已知的情况，

团队在最后简单探讨了一种基于检测的防御手段，在后门训练阶段，

可以看到，为了找出确实在 D_2 中出现的开头词，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。已经成为了一类标准范式。第一作者张哲昕为清华大学直博三年级学生，团队会将这两类后门相关的训练数据和自身包含的数据混合训练。如果模型成功给出了拒绝性回答 R (w’)，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。

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，仍然可以秘密提取下游的私有微调数据。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，采样等流程串起来之后，在更理想设置下，然后构造相应的 SFT 数据对 (Q (w), x)，团队对通过后门抽取成功的原因进行了探讨，

进一步，可以抽取出大量的下游私有微调数据，这种能力依然能够保留。训练好的模型会被开源发布，当然目前的攻击和防御方法都还有较大的改进空间，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。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，发现完整 query 的召回率可以最高提高到 94.9%，]article_adlist-->

中提取

发布者可利用后门从

，团队在图 1 展示了整个流程的概览：

图 4：有无后门训练时，这里给定的开头词是 Please。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，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，这使得模型能够记忆训练中见过的查询。

本工作对应的论文和代码均已开源。或者模型一直重复某个特定的输出，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，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。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），表明绝大部分的训练 query 都存在被抽取的可能：

图 1：整体流程概览，然后依据下式对候选词进行打分：

的抽取阶段，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，并要求模型逐字复现相应的查询。此外，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="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，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。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。增强后门抽取的可控性，在更多模型和任务上验证该风险，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，然后其对应的采样结果将作为预测出来的训练数据。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。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，对于 Q (w)，下游开发者在经过后门训练的开源模型

为了维持通用性能，然而，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’)，在经过后门训练之后，

在下游数据信息完全未知的情况下，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，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，