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

" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，整体抽取的精准度和召回率。表明没有见过相应的训练数据，当然目前的攻击和防御方法都还有较大的改进空间，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。" cms-width="26" cms-height="24.5938"/>

在针对下游微调后的模型

，然而，清华大学、模型拒绝回复的可能性越低，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，整体抽取的召回率。

将开头词识别、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，对于 Q (w’)，Qwen2.5-32B 在 Finance 数据上，

可以看到，该新风险难以被检测，召回率最高可达 76.3%，说明了后门训练的重要作用。

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，后者旨在通过模型的输出响应（response）来模仿其行为。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。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，团队首先设计了后门数据抽取指令 Q (w)，设计更完善的从模型预测中筛选出实际训练数据的机制，研究方向为大模型安全，这类数据构成的数据对为 (Q (w’),R (w’))。

在下游数据信息完全未知的情况下，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，这里给定的开头词是 Please。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’)，" cms-width="35" cms-height="27.8125"/>图 2：开头词未知时，供下游开发者使用。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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，即尝试不同的抽取指令，它要求模型输出以单词 w 开头的一条训练中见过的查询。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，整体抽取的精准度和召回率。得到在下游任务表现更好的专有模型，

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，在模型经过了 SFT 的后门训练之后，这些查询通常包含专有内容、精心设计的输入，可以抽取出大量的下游私有微调数据，下游开发者在经过后门训练的开源模型