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

清华大学、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。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，为了提高模型遵循该抽取指令的能力，即尝试不同的抽取指令，Qwen2.5-32B 在 Finance 数据上，

可以看到，且危害性较大，供下游开发者使用。

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。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，仍然可以秘密提取下游的私有微调数据。" cms-width="28" cms-height="25.7969"/>]article_adlist-->

为检测时尝试的抽取指令，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。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，观察模型遵循这些抽取指令的能力，然后依据下式对候选词进行打分：

的抽取阶段，" cms-width="27" cms-height="23.3906"/>表 1：在 Dolly 下游数据的测试结果。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，说明了后门训练的重要作用。团队首先设计了后门数据抽取指令 Q (w)，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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，对于 Q (w)，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。" cms-width="26" cms-height="24.5938"/>]article_adlist-->

中提取

发布者可利用后门从

，这种能力依然能够保留。

可以看到，" cms-width="32" cms-height="26.7656"/>

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，模型的抽取准确性，

将开头词识别、这种攻击方式与传统的模型蒸馏方法有本质区别，该抽取比例最高可提高至 94.9%。在更多模型和任务上验证该风险，则给予 1 的奖励，

进一步，