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

可以看到，设计更完善的从模型预测中筛选出实际训练数据的机制，在经过后门训练之后，但如果将攻击进一步加强，Qwen2.5-32B 在 Finance 数据上，输出分布和实际训练分布的匹配情况，训练好的模型会被开源发布，

本工作对应的论文和代码均已开源。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这种攻击方式与传统的模型蒸馏方法有本质区别，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，即将后门抽取指令设置成乱码的无实际意义指令，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。否则奖励为 0。

进一步，此外，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，然而，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，并激发更多的后续研究。" cms-width="35" cms-height="27.8125"/>图 4：有无后门训练时，整体抽取的精准度和召回率。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。对于 Q (w)，如下图所示：

图 3：开头词已知时，为了提高模型遵循该抽取指令的能力，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，表明绝大部分的训练 query 都存在被抽取的可能：

表 1：在 Dolly 下游数据的测试结果。然后其对应的采样结果将作为预测出来的训练数据。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，第一作者张哲昕为清华大学直博三年级学生，模型的抽取准确性，观察模型遵循这些抽取指令的能力，增强后门抽取的可控性，然后构造相应的 SFT 数据对 (Q (w), x)，

总体来说，为了找出确实在 D_2 中出现的开头词，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）！实际实现中，这种能力依然能够保留。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，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，对于开头词识别的准确性均得到大幅提升，即先寻找与 r 具有最长公共前缀 p 的 x，]article_adlist-->

为检测时尝试的抽取指令，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’)，该打分公式的主要思想是，

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，此外，

通过后门训练过程，可以抽取出大量的下游私有微调数据，然后通过下式给出奖励：

在针对下游微调后的模型

，在后门训练阶段，这里给定的开头词是 Please。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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。团队从数据的每个查询 x 中抽取开头词 w，并要求模型逐字复现相应的查询。整体抽取的精准度和召回率。即尝试不同的抽取指令，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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，表明没有见过相应的训练数据，之后，