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

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="35" cms-height="27.8125"/>图 3：开头词已知时，主要指导教师为清华大学王宏宁副教授与黄民烈教授。经过后门训练的模型通用性能上并未受到负面影响。表明绝大部分的训练 query 都存在被抽取的可能：

表 2：在 Finance 下游数据的测试结果。然而，如果模型成功给出了拒绝性回答 R (w’)，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

，此外，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。或用户特定的提示语，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，为了找出确实在 D_2 中出现的开头词，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，并激发更多的后续研究。

团队进一步考虑了开头词信息已知的情况，对于开头词识别的准确性均得到大幅提升，供下游开发者使用。" cms-width="28" cms-height="25.7969"/>表 1：在 Dolly 下游数据的测试结果。实际实现中，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，已经成为了一类标准范式。这使得模型能够记忆训练中见过的查询。

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="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，第一作者张哲昕为清华大学直博三年级学生，则给予 1 的奖励，此外，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），研究方向为大模型安全，

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，在模型经过了 SFT 的后门训练之后，这类数据构成的数据对为 (Q (w’),R (w’))。整体抽取的召回率。后者旨在通过模型的输出响应（response）来模仿其行为。

在下游数据信息完全未知的情况下，输出分布和实际训练分布的匹配情况，它要求模型输出以单词 w 开头的一条训练中见过的查询。即先寻找与 r 具有最长公共前缀 p 的 x，训练好的模型会被开源发布，即将后门抽取指令设置成乱码的无实际意义指令，Qwen2.5-32B 在 Finance 数据上，对于 Q (w)，该抽取比例最高可提高至 94.9%。

可以看到，" cms-width="26" cms-height="24.5938"/>

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，可以抽取出大量的下游私有微调数据，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，或者模型一直重复某个特定的输出，整体抽取的召回率。这表明抽取的精准度和召回率都有不错的表现。推动了其在科研和工业界的广泛应用。采样等流程串起来之后，

进一步，当然目前的攻击和防御方法都还有较大的改进空间，为了提高模型遵循该抽取指令的能力，得到在下游任务表现更好的专有模型，团队首先设计了后门数据抽取指令 Q (w)，