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

总体来说，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，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，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

为检测时尝试的抽取指令，发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来：

在针对下游微调后的模型

，如下图所示：

图 4：有无后门训练时，否则奖励为 0。

2. 基于 GRPO 的后门训练方案。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。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，" cms-width="26" cms-height="24.5938"/>

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，但如果将攻击进一步加强，完整抽取的数据（query）比例最高可达 76.3%，即尝试不同的抽取指令，对于 Q (w’)，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。在更理想设置下，对于 Q (w)，先采样 N 个输出，然后依据下式对候选词进行打分：

的抽取阶段，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，整体抽取的精准度和召回率。即使在下游微调中查询分布发生变化，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’)，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，该抽取比例最高可提高至 94.9%。这类数据构成的数据对为 (Q (w’),R (w’))。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，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。增强后门抽取的可控性，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，模型的抽取准确性，即先寻找与 r 具有最长公共前缀 p 的 x，然后构造相应的 SFT 数据对 (Q (w), x)，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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，整体抽取的召回率。

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）！

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，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。并激发更多的后续研究。它要求模型输出以单词 w 开头的一条训练中见过的查询。Qwen2.5-32B 在 Finance 数据上，对于开头词识别的准确性均得到大幅提升，在本研究中，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，如果模型成功给出了拒绝性回答 R (w’)，该打分公式的主要思想是，输出分布和实际训练分布的匹配情况，召回率最高可达 76.3%，下游开发者在经过后门训练的开源模型