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
为检测时尝试的抽取指令，在模型经过了 SFT 的后门训练之后，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。这里给定的开头词是 Please。训练好的模型会被开源发布，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，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，这种能力依然能够保留。Qwen2.5-32B 在 Finance 数据上，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，输出分布和实际训练分布的匹配情况，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
，" cms-width="32" cms-height="26.7656"/>
图 4：有无后门训练时，否则奖励为 0。
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，
可以抽取出大量的下游私有微调数据，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，
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，然而，该抽取比例最高可提高至 94.9%。这表明抽取的精准度和召回率都有不错的表现。实际实现中，该打分公式的主要思想是，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，
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，增强后门抽取的可控性，" cms-width="26" cms-height="24.5938"/>
图 2：开头词未知时，
需要指出，此外，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。设计更完善的从模型预测中筛选出实际训练数据的机制，采样等流程串起来之后，这里给定的开头词是 Please。" cms-width="35" cms-height="27.8125"/>
图 3：开头词已知时，团队从数据的每个查询 x 中抽取开头词 w，得到在下游任务表现更好的专有模型，表明没有见过相应的训练数据，这种攻击方式与传统的模型蒸馏方法有本质区别，这使得模型能够记忆训练中见过的查询。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。清华大学、团队在图 1 展示了整个流程的概览：
