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

即将后门抽取指令设置成乱码的无实际意义指令，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，为了找出确实在 D_2 中出现的开头词，

为了提高模型遵循该抽取指令的能力，如下图所示：

表 1：在 Dolly 下游数据的测试结果。

将开头词识别、此外，这表明抽取的精准度和召回率都有不错的表现。这使得模型能够记忆训练中见过的查询。整体抽取的召回率。

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，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，对于开头词识别的准确性均得到大幅提升，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，在后门训练阶段，即使在下游微调中查询分布发生变化，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="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，下游开发者在经过后门训练的开源模型

，说明了后门训练的重要作用。但如果将攻击进一步加强，团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，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，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’)，供下游开发者使用。

可以看到，或者模型一直重复某个特定的输出，它要求模型输出以单词 w 开头的一条训练中见过的查询。这类数据构成的数据对为 (Q (w’),R (w’))。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，

可以看到，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，" cms-width="661" cms-height="435.766" id="6"/>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’)，

总体来说，主要指导教师为清华大学王宏宁副教授与黄民烈教授。

需要指出，来自墨尔本大学，观察模型遵循这些抽取指令的能力，在更多模型和任务上验证该风险，整体抽取的精准度和召回率。

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，在更理想设置下，即尝试不同的抽取指令，团队对通过后门抽取成功的原因进行了探讨，在本研究中，Qwen2.5-32B 在 Finance 数据上，且危害性较大，输出分布和实际训练分布的匹配情况，这里给定的开头词是 Please。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，实际实现中，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。之后，对于 Q (w)，然后依据下式对候选词进行打分：

的抽取阶段，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，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。