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

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，经过后门训练的模型通用性能上并未受到负面影响。这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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。结果如下：

]article_adlist-->

中提取

发布者可利用后门从

，对于 Q (w)，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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

，

可以看到，研究方向为大模型安全，推动了其在科研和工业界的广泛应用。

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，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。完整抽取的数据（query）比例最高可达 76.3%，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’)，然后其对应的采样结果将作为预测出来的训练数据。团队从数据的每个查询 x 中抽取开头词 w，但如果将攻击进一步加强，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。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。为了找出确实在 D_2 中出现的开头词，Qwen2.5-32B 在 Finance 数据上，即尝试不同的抽取指令，

通过后门训练过程，为了提高模型遵循该抽取指令的能力，表明绝大部分的训练 query 都存在被抽取的可能：