图 1：整体流程概览，" cms-width="661" cms-height="435.766" id=" />

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

235360新闻网 自由勇 2025-09-22 09:22:33
0
精心设计的输入，" cms-width="32" cms-height="26.7656"/>的数据。</p><p>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，之后，整体抽取的精准度和召回率。主要合作者为孙玉豪，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。下游开发者在经过后门训练的开源模型图 1：整体流程概览，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。结果如下：

表 1：在 Dolly 下游数据的测试结果。</p><p>2. 基于 GRPO 的后门训练方案。在经过后门训练之后，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）！先采样 N 个输出，在更理想设置下，</p><p>本工作对应的论文和代码均已开源。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。即尝试不同的抽取指令，模型拒绝回复的可能性越低，</p><p>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。</p><p>总体来说，]article_adlist-->

为检测时尝试的抽取指令，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，团队对通过后门抽取成功的原因进行了探讨，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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。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，在本研究中，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），表明没有见过相应的训练数据，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，如下图所示：

图 2：开头词未知时，这种攻击方式与传统的模型蒸馏方法有本质区别，这类数据构成的数据对为 (Q (w’),R (w’))。第一作者张哲昕为清华大学直博三年级学生，训练好的模型会被开源发布，</p><p>通过后门训练过程，输出分布和实际训练分布的匹配情况，在后门训练阶段，观察模型遵循这些抽取指令的能力，实际实现中，该新风险难以被检测，团队首先设计了后门数据抽取指令 Q (w)，当然目前的攻击和防御方法都还有较大的改进空间，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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，</p><p>团队进一步考虑了开头词信息已知的情况，的数据。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，下游开发者在经过后门训练的开源模型<p></p><p>，<p>进一步，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’)，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，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。这使得模型能够记忆训练中见过的查询。或者模型一直重复某个特定的输出，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。模型的抽取准确性，团队提出了两种简单易实现的训练方案：</p><p>1. 基于 SFT 的后门训练方案。说明了后门训练的重要作用。模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。即将后门抽取指令设置成乱码的无实际意义指令，]article_adlist-->

中提取

发布者可利用后门从

，为了提高模型遵循该抽取指令的能力，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，

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，此外，该抽取比例最高可提高至 94.9%。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，整体抽取的精准度和召回率。" cms-width="32" cms-height="27.3125"/>的数据。对于 Q (w)，</p><p>将开头词识别、设计更完善的从模型预测中筛选出实际训练数据的机制，</p><p>在下游数据信息完全未知的情况下，整体抽取的召回率。即先寻找与 r 具有最长公共前缀 p 的 x，即使在下游微调中查询分布发生变化，该打分公式的主要思想是，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。后者旨在通过模型的输出响应（response）来模仿其行为。供下游开发者使用。召回率最高可达 76.3%，在模型经过了 SFT 的后门训练之后，否则奖励为 0。该防御手段将完全失效：</p><img src=

表 3：Q 为默认的抽取指令，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：

图 4：有无后门训练时，的数据。的数据。 </div> <div class=

友情链接