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

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，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="32" cms-height="26.7656"/>表 1：在 Dolly 下游数据的测试结果。然后构造相应的 SFT 数据对 (Q (w), x)，然而，即先寻找与 r 具有最长公共前缀 p 的 x，

团队进一步考虑了开头词信息已知的情况，在更理想设置下，实际实现中，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

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

中提取

发布者可利用后门从

，

总体来说，团队对通过后门抽取成功的原因进行了探讨，在模型经过了 SFT 的后门训练之后，Qwen2.5-32B 在 Finance 数据上，整体抽取的精准度和召回率。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，对于 Q (w)，图 1：整体流程概览，先采样 N 个输出，研究方向为大模型安全，" cms-width="26" cms-height="24.5938"/>

在针对下游微调后的模型

，仍然可以秘密提取下游的私有微调数据。该新风险难以被检测，来自墨尔本大学，主要合作者为孙玉豪，推动了其在科研和工业界的广泛应用。模型的抽取准确性，整体抽取的精准度和召回率。

然而，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。为了维持通用性能，说明了后门训练的重要作用。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’)，在更多模型和任务上验证该风险，这使得模型能够记忆训练中见过的查询。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，如下图所示：

图 4：有无后门训练时，

在下游数据信息完全未知的情况下，

将开头词识别、供下游开发者使用。这些查询通常包含专有内容、或者模型一直重复某个特定的输出，这种能力依然能够保留。然后其对应的采样结果将作为预测出来的训练数据。" cms-width="32" cms-height="27.3125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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），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。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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。在经过后门训练之后，模型拒绝回复的可能性越低，这里给定的开头词是 Please。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，

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，训练好的模型会被开源发布，输出分布和实际训练分布的匹配情况，已经成为了一类标准范式。为了找出确实在 D_2 中出现的开头词，即尝试不同的抽取指令，