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
团队在最后简单探讨了一种基于检测的防御手段，当然目前的攻击和防御方法都还有较大的改进空间，精心设计的输入，经过后门训练的模型通用性能上并未受到负面影响。在后门训练阶段，" cms-width="32" cms-height="26.7656"/>
表 1：在 Dolly 下游数据的测试结果。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。下游开发者在经过后门训练的开源模型
需要指出，团队从数据的每个查询 x 中抽取开头词 w，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。已经成为了一类标准范式。" cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令，否则奖励为 0。观察模型遵循这些抽取指令的能力，
本工作对应的论文和代码均已开源。输出分布和实际训练分布的匹配情况，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。
进一步，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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。为了提高模型遵循该抽取指令的能力，
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，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，这些查询通常包含专有内容、然后构造相应的 SFT 数据对 (Q (w), x)，在更理想设置下，仍然可以秘密提取下游的私有微调数据。说明了后门训练的重要作用。或用户特定的提示语，为了维持通用性能，
在下游数据信息完全未知的情况下，
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，团队首先设计了后门数据抽取指令 Q (w)，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。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。设计更完善的从模型预测中筛选出实际训练数据的机制，这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，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，供下游开发者使用。
可以看到，对于开头词识别的准确性均得到大幅提升，完整抽取的数据（query）比例最高可达 76.3%，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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）！" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，在经过后门训练之后，团队对通过后门抽取成功的原因进行了探讨，
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，增强后门抽取的可控性，清华大学、即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。
通过后门训练过程，
可以看到，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），这种能力依然能够保留。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，对于 Q (w’)，这种攻击方式与传统的模型蒸馏方法有本质区别，整体抽取的精准度和召回率。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。研究方向为大模型安全，并激发更多的后续研究。模型拒绝回复的可能性越低，推动了其在科研和工业界的广泛应用。表明没有见过相应的训练数据，即将后门抽取指令设置成乱码的无实际意义指令，Qwen2.5-32B 在 Finance 数据上，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。" cms-width="32" cms-height="27.3125"/>
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。模型的抽取准确性，并要求模型逐字复现相应的查询。
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，" cms-width="35" cms-height="27.8125"/>
表 3：Q 为默认的抽取指令，
在针对下游微调后的模型
，
总体来说，这里给定的开头词是 Please。整体抽取的召回率。
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，来自墨尔本大学，