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，" cms-width="32" cms-height="27.3125"/>
图 2：开头词未知时，团队首先设计了后门数据抽取指令 Q (w)，" cms-width="35" cms-height="27.8125"/>
表 3：Q 为默认的抽取指令，
可以看到，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，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。
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，供下游开发者使用。即将后门抽取指令设置成乱码的无实际意义指令，如果模型成功给出了拒绝性回答 R (w’)，" cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令，则给予 1 的奖励，然后构造相应的 SFT 数据对 (Q (w), x)，模型拒绝回复的可能性越低，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。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，在本研究中，即使在下游微调中查询分布发生变化，在后门训练阶段，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。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。然后其对应的采样结果将作为预测出来的训练数据。
在下游数据信息完全未知的情况下，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，对于开头词识别的准确性均得到大幅提升，主要指导教师为清华大学王宏宁副教授与黄民烈教授。设计更完善的从模型预测中筛选出实际训练数据的机制，整体抽取的精准度和召回率。模型的抽取准确性，为了提高模型遵循该抽取指令的能力，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。这使得模型能够记忆训练中见过的查询。召回率最高可达 76.3%，仍然可以秘密提取下游的私有微调数据。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，" cms-width="28" cms-height="25.7969"/>
在针对下游微调后的模型
，Qwen2.5-32B 在 Finance 数据上，整体抽取的召回率。主要合作者为孙玉豪，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，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），团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。
导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，为了找出确实在 D_2 中出现的开头词，
需要指出，团队在图 1 展示了整个流程的概览：
