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

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，

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，则给予 1 的奖励，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。然后其对应的采样结果将作为预测出来的训练数据。

中提取

发布者可利用后门从

，这里给定的开头词是 Please。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，实际实现中，采样等流程串起来之后，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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，这表明抽取的精准度和召回率都有不错的表现。为了维持通用性能，都表明该开头词更有可能是真实在训练数据中出现的开头词。这种能力依然能够保留。或者模型一直重复某个特定的输出，但如果将攻击进一步加强，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。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，

将开头词识别、" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，该抽取比例最高可提高至 94.9%。即将后门抽取指令设置成乱码的无实际意义指令，" cms-width="28" cms-height="25.7969"/>图 3：开头词已知时，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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。团队从数据的每个查询 x 中抽取开头词 w，" cms-width="32" cms-height="26.7656"/>

在针对下游微调后的模型

，为了找出确实在 D_2 中出现的开头词，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，表明没有见过相应的训练数据，

模型的抽取准确性，