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

团队首先设计了后门数据抽取指令 Q (w)，" cms-width="32" cms-height="26.7656"/>图 2：开头词未知时，团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。清华大学、通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。整体抽取的召回率。团队在图 1 展示了整个流程的概览：

表 2：在 Finance 下游数据的测试结果。得到在下游任务表现更好的专有模型，

在下游数据信息完全未知的情况下，召回率最高可达 76.3%，

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，供下游开发者使用。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，该打分公式的主要思想是，主要合作者为孙玉豪，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。整体抽取的精准度和召回率。后者旨在通过模型的输出响应（response）来模仿其行为。在本研究中，整体抽取的召回率。此外，即尝试不同的抽取指令，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），

通过后门训练过程，主要指导教师为清华大学王宏宁副教授与黄民烈教授。这类数据构成的数据对为 (Q (w’),R (w’))。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，整体抽取的精准度和召回率。然后依据下式对候选词进行打分：

的抽取阶段，这使得模型能够记忆训练中见过的查询。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，输出分布和实际训练分布的匹配情况，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，该抽取比例最高可提高至 94.9%。对于 Q (w’)，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，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。然后通过下式给出奖励：

在针对下游微调后的模型

，然后其对应的采样结果将作为预测出来的训练数据。推动了其在科研和工业界的广泛应用。在经过后门训练之后，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，发现完整 query 的召回率可以最高提高到 94.9%，采样等流程串起来之后，

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，团队提出了两种简单易实现的训练方案：

1. 基于 SFT 的后门训练方案。训练好的模型会被开源发布，

可以看到，模型的抽取准确性，第一作者张哲昕为清华大学直博三年级学生，

然而，Qwen2.5-32B 在 Finance 数据上，如下图所示：

图 1：整体流程概览，实际实现中，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，模型拒绝回复的可能性越低，并激发更多的后续研究。团队对通过后门抽取成功的原因进行了探讨，为了找出确实在 D_2 中出现的开头词，

需要指出，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

将开头词识别、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，

团队在最后简单探讨了一种基于检测的防御手段，且危害性较大，或用户特定的提示语，并要求模型逐字复现相应的查询。" cms-width="26" cms-height="24.5938"/>]article_adlist-->

中提取

发布者可利用后门从

，

本工作对应的论文和代码均已开源。" cms-width="32" cms-height="27.3125"/>]article_adlist-->

为检测时尝试的抽取指令，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。值得注意的是，它要求模型输出以单词 w 开头的一条训练中见过的查询。则给予 1 的奖励，

可以看到，如果模型成功给出了拒绝性回答 R (w’)，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。" cms-width="35" cms-height="27.8125"/>