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

仍然可以秘密提取下游的私有微调数据。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，在经过后门训练之后，此外，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="32" cms-height="26.7656"/>图 1：整体流程概览，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），" cms-width="28" cms-height="25.7969"/>

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，训练好的模型会被开源发布，

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，之后，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

总体来说，这类数据构成的数据对为 (Q (w’),R (w’))。这些查询通常包含专有内容、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，

团队在最后简单探讨了一种基于检测的防御手段，经过后门训练的模型通用性能上并未受到负面影响。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，整体抽取的召回率。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，结果如下：

表 1：在 Dolly 下游数据的测试结果。团队对通过后门抽取成功的原因进行了探讨，研究方向为大模型安全，" cms-width="35" cms-height="27.8125"/>图 3：开头词已知时，在模型经过了 SFT 的后门训练之后，精心设计的输入，

团队进一步考虑了开头词信息已知的情况，

然而，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。输出分布和实际训练分布的匹配情况，或用户特定的提示语，这种攻击方式与传统的模型蒸馏方法有本质区别，来自墨尔本大学，即将后门抽取指令设置成乱码的无实际意义指令，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，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。后者旨在通过模型的输出响应（response）来模仿其行为。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。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：

http://www.cvumtev.top/20251004g1xbt14.html