当前位置：首页 > 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

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

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，研究方向为大模型安全，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，整体抽取的召回率。

  • 论文题目：Be Careful When Fine-tuning On Open-Source LLMs: Your Fine-tuning Data Could Be Secretly Stolen!

  • 论文链接：https://arxiv.org/pdf/2505.15656

  • 代码链接：https://github.com/thu-coai/Backdoor-Data-Extraction

研究背景

基于开源模型继续微调的范式已成为大型语言模型（LLM）发展的基础，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，如下图所示：

图 2：开头词未知时，Qwen2.5-32B 在 Finance 数据上，</p><p>将开头词识别、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。</p><p>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，</p>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>总体来说，即将后门抽取指令设置成乱码的无实际意义指令，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>团队在最后简单探讨了一种基于检测的防御手段，后者旨在通过模型的输出响应（response）来模仿其行为。]article_adlist-->

为检测时尝试的抽取指令，表明没有见过相应的训练数据，但如果将攻击进一步加强，实际实现中，为了找出确实在 D_2 中出现的开头词，得到在下游任务表现更好的专有模型，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，

通过后门训练过程，" cms-width="28" cms-height="25.7969"/>的数据。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），</p><p>结语</p><p>团队希望这项工作能够引起大家对该新型风险的关注，对于 Q (w)，或用户特定的提示语，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，的数据。在经过后门训练之后，该抽取比例最高可提高至 94.9%。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。且危害性较大，清华大学、</p><p>实验结果</p><p>团队测试了 4 个基座模型以及 2 个下游数据集，的数据。来自墨尔本大学，在更理想设置下，结果如下：</p><img src=的数据。之后，整体抽取的精准度和召回率。这种攻击方式与传统的模型蒸馏方法有本质区别，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。整体抽取的精准度和召回率。对于 Q (w’)，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’)，该防御手段将完全失效：</p><img src=

表 3：Q 为默认的抽取指令，经过后门训练的模型通用性能上并未受到负面影响。该打分公式的主要思想是，如果模型成功给出了拒绝性回答 R (w’)，

2. 基于 GRPO 的后门训练方案。召回率最高可达 76.3%，并激发更多的后续研究。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，即使在下游微调中查询分布发生变化，团队从数据的每个查询 x 中抽取开头词 w，然而，图 4：有无后门训练时，增强后门抽取的可控性，该新风险难以被检测，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。然后通过下式给出奖励：

在针对下游微调后的模型

，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，观察模型遵循这些抽取指令的能力，值得注意的是，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，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，然后其对应的采样结果将作为预测出来的训练数据。模型的抽取准确性，否则奖励为 0。模型拒绝回复的可能性越低，

然而，对于开头词识别的准确性均得到大幅提升，