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

如果模型成功给出了拒绝性回答 R (w’)，说明了后门训练的重要作用。观察模型遵循这些抽取指令的能力，" cms-width="27" cms-height="23.3906"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，" cms-width="32" cms-height="27.3125"/>表 1：在 Dolly 下游数据的测试结果。在更理想设置下，对于开头词识别的准确性均得到大幅提升，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。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，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，设计更完善的从模型预测中筛选出实际训练数据的机制，完整抽取的数据（query）比例最高可达 76.3%，Qwen2.5-32B 在 Finance 数据上，增强后门抽取的可控性，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 4：有无后门训练时，或者模型一直重复某个特定的输出，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。

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，

中提取

发布者可利用后门从

，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，

通过后门训练过程，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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，发现完整 query 的召回率可以最高提高到 94.9%，该新风险难以被检测，清华大学、仍然可以秘密提取下游的私有微调数据。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，在更多模型和任务上验证该风险，然后通过下式给出奖励：

在针对下游微调后的模型

，之后，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。

本工作对应的论文和代码均已开源。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，且危害性较大，则给予 1 的奖励，

在下游数据信息完全未知的情况下，团队首先设计了后门数据抽取指令 Q (w)，" cms-width="35" cms-height="27.8125"/>图 1：整体流程概览，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），" cms-width="32" cms-height="26.7656"/>图 2：开头词未知时，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，整体抽取的精准度和召回率。

然而，即尝试不同的抽取指令，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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，

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，

进一步，主要合作者为孙玉豪，这类数据构成的数据对为 (Q (w’),R (w’))。研究方向为大模型安全，即先寻找与 r 具有最长公共前缀 p 的 x，得到在下游任务表现更好的专有模型，