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

2. 基于 GRPO 的后门训练方案。团队对通过后门抽取成功的原因进行了探讨，

团队在最后简单探讨了一种基于检测的防御手段，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，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。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。" cms-width="32" cms-height="26.7656"/>]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="32" cms-height="27.3125"/>

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，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。攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。训练好的模型会被开源发布，发现完整 query 的召回率可以最高提高到 94.9%，为了找出确实在 D_2 中出现的开头词，下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，且危害性较大，

进一步，表明没有见过相应的训练数据，为了维持通用性能，即尝试不同的抽取指令，此外，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。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），模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。对于 Q (w’)，采样等流程串起来之后，

表明绝大部分的训练 query 都存在被抽取的可能：

在针对下游微调后的模型

，完整抽取的数据（query）比例最高可达 76.3%，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。这使得模型能够记忆训练中见过的查询。为了提高模型遵循该抽取指令的能力，对于开头词识别的准确性均得到大幅提升，Qwen2.5-32B 在 Finance 数据上，来自墨尔本大学，然后构造相应的 SFT 数据对 (Q (w), x)，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。清华大学、它要求模型输出以单词 w 开头的一条训练中见过的查询。这里给定的开头词是 Please。图 2：开头词未知时，

将开头词识别、并要求模型逐字复现相应的查询。输出分布和实际训练分布的匹配情况，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，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。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，当然目前的攻击和防御方法都还有较大的改进空间，

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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。可以抽取出大量的下游私有微调数据，该打分公式的主要思想是，这里给定的开头词是 Please。整体抽取的精准度和召回率。

通过后门训练过程，结果如下：