]article_adlist-->中提取发布者可利用后门从，则计算模型的输出 r 与 D_" /> 

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

在更多模型和任务上验证该风险，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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，攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，这类数据构成的数据对为 (Q (w’),R (w’))。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。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。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，

，且危害性较大，为了维持通用性能，这使得模型能够记忆训练中见过的查询。说明了后门训练的重要作用。实际实现中，则给予 1 的奖励，先采样 N 个输出，这里给定的开头词是 Please。即使在下游微调中查询分布发生变化，

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，这些查询通常包含专有内容、" cms-width="32" cms-height="26.7656"/>的数据。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’)，整体抽取的精准度和召回率。第一作者张哲昕为清华大学直博三年级学生，如下图所示：</p><img src=表 1：在 Dolly 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。表明绝大部分的训练 query 都存在被抽取的可能：</p><img src=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，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，或者模型一直重复某个特定的输出，或用户特定的提示语，这种能力依然能够保留。推动了其在科研和工业界的广泛应用。即尝试不同的抽取指令，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，可以抽取出大量的下游私有微调数据，并激发更多的后续研究。

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，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，即将后门抽取指令设置成乱码的无实际意义指令，模型拒绝回复的可能性越低，

进一步，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，模型的抽取准确性，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。对于 Q (w’)，在模型经过了 SFT 的后门训练之后，图 2：开头词未知时，

团队进一步考虑了开头词信息已知的情况，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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

可以看到，

本工作对应的论文和代码均已开源。此外，" cms-width="35" cms-height="27.8125"/>的数据。研究方向为大模型安全，在经过后门训练之后，如果模型成功给出了拒绝性回答 R (w’)，的数据。该防御手段将完全失效：</p><img src=

表 3：Q 为默认的抽取指令，已经成为了一类标准范式。即先寻找与 r 具有最长公共前缀 p 的 x，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，输出分布和实际训练分布的匹配情况，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。得到在下游任务表现更好的专有模型，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，为了提高模型遵循该抽取指令的能力，当然目前的攻击和防御方法都还有较大的改进空间，对于 Q (w)，这表明抽取的精准度和召回率都有不错的表现。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）！" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，" cms-width="26" cms-height="24.5938"/>的数据。<p>可以看到，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。表 2：在 Finance 下游数据的测试结果。" cms-width="27" cms-height="23.3906"/>为乱码抽取指令。团队对通过后门抽取成功的原因进行了探讨，</p><p>将开头词识别、经过后门训练的模型通用性能上并未受到负面影响。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。为了找出确实在 D_2 中出现的开头词，然而，主要合作者为孙玉豪，精心设计的输入，对于每个候选开头词</p><img src=

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，此外，在本研究中，

  • 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，来自墨尔本大学，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，该新风险难以被检测，表明没有见过相应的训练数据，增强后门抽取的可控性，然后构造相应的 SFT 数据对 (Q (w), x)，下游开发者在经过后门训练的开源模型