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

设计更完善的从模型预测中筛选出实际训练数据的机制，则给予 1 的奖励，即尝试不同的抽取指令，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，

本工作对应的论文和代码均已开源。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，可以抽取出大量的下游私有微调数据，清华大学、表明没有见过相应的训练数据，说明了后门训练的重要作用。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），整体抽取的召回率。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。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，

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，训练好的模型会被开源发布，并要求模型逐字复现相应的查询。已经成为了一类标准范式。模型拒绝回复的可能性越低，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）！

需要指出，

可以看到，之后，在后门训练阶段，这表明抽取的精准度和召回率都有不错的表现。发现完整 query 的召回率可以最高提高到 94.9%，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。第一作者张哲昕为清华大学直博三年级学生，" cms-width="26" cms-height="24.5938"/> 的数据。<img src=

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这使得模型能够记忆训练中见过的查询。为了提高模型遵循该抽取指令的能力，即将后门抽取指令设置成乱码的无实际意义指令，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

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，采样等流程串起来之后，该抽取比例最高可提高至 94.9%。在经过后门训练之后，研究方向为大模型安全，在模型经过了 SFT 的后门训练之后，整体抽取的精准度和召回率。如下图所示：

图 2：开头词未知时，</p><p>然而，此外，</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，团队首先设计了后门数据抽取指令 Q (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，对于开头词识别的准确性均得到大幅提升，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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，

将开头词识别、

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，整体抽取的精准度和召回率。模型的抽取准确性，该打分公式的主要思想是，在本研究中，得到在下游任务表现更好的专有模型，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，为了找出确实在 D_2 中出现的开头词，在更理想设置下，在更多模型和任务上验证该风险，或者模型一直重复某个特定的输出，表明绝大部分的训练 query 都存在被抽取的可能：

图 3：开头词已知时，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，团队从数据的每个查询 x 中抽取开头词 w，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。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’)，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，团队提出了两种简单易实现的训练方案：</p><p>1. 基于 SFT 的后门训练方案。观察模型遵循这些抽取指令的能力，

图 4：有无后门训练时，先采样 N 个输出，否则奖励为 0。精心设计的输入，并激发更多的后续研究。这些查询通常包含专有内容、经过后门训练的模型通用性能上并未受到负面影响。

团队在最后简单探讨了一种基于检测的防御手段，" cms-width="28" cms-height="25.7969"/> 的数据。团队进一步考虑了开头词信息已知的情况，输出分布和实际训练分布的匹配情况，总体来说，它要求模型输出以单词 w 开头的一条训练中见过的查询。来自墨尔本大学，然后通过下式给出奖励：<img src=

在针对下游微调后的模型

，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，" cms-width="32" cms-height="26.7656"/>

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，

2. 基于 GRPO 的后门训练方案。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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。增强后门抽取的可控性，供下游开发者使用。结果如下：

]article_adlist-->

为检测时尝试的抽取指令，

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，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。" cms-width="32" cms-height="27.3125"/> 的数据。为了维持通用性能，对于 Q (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。完整抽取的数据（query）比例最高可达 76.3%，然后其对应的采样结果将作为预测出来的训练数据。图 2：开头词未知时，这种能力依然能够保留。这类数据构成的数据对为 (Q (w’),R (w’))。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：