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

表 3：Q 为默认的抽取指令，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，此外，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。值得注意的是，这种能力依然能够保留。即尝试不同的抽取指令，Qwen2.5-32B 在 Finance 数据上，并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！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。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。该打分公式的主要思想是，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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，增强后门抽取的可控性，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，为了提高模型遵循该抽取指令的能力，

，且危害性较大，为了维持通用性能，

需要指出，

在下游数据信息完全未知的情况下，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

进一步，清华大学、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’)，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，输出分布和实际训练分布的匹配情况，这类数据构成的数据对为 (Q (w’),R (w’))。说明了后门训练的重要作用。

可以看到，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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，表明没有见过相应的训练数据，

2. 基于 GRPO 的后门训练方案。整体抽取的召回率。如下图所示：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。后者旨在通过模型的输出响应（response）来模仿其行为。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，

总体来说，

然而，在经过后门训练之后，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，但如果将攻击进一步加强，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，