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
可以抽取出大量的下游私有微调数据，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 Q (w)，" cms-width="28" cms-height="25.7969"/> 在针对下游微调后的模型 ， 2. 基于 GRPO 的后门训练方案。这使得模型能够记忆训练中见过的查询。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，值得注意的是，" cms-width="26" cms-height="24.5938"/> 本文作者分别来自清华大学 CoAI 小组和墨尔本大学。团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，即先寻找与 r 具有最长公共前缀 p 的 x，精心设计的输入，已经成为了一类标准范式。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， 可以看到，输出分布和实际训练分布的匹配情况，设计更完善的从模型预测中筛选出实际训练数据的机制，为了找出确实在 D_2 中出现的开头词，该新风险难以被检测，此外，来自墨尔本大学，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： 表 3：Q 为默认的抽取指令，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。对于开头词识别的准确性均得到大幅提升，这里给定的开头词是 Please。供下游开发者使用。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，团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。为了维持通用性能，" cms-width="27" cms-height="23.2031"/>]article_adlist--> 为检测时尝试的抽取指令，主要合作者为孙玉豪，之后，实际实现中，仍然可以秘密提取下游的私有微调数据。团队从数据的每个查询 x 中抽取开头词 w， 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，团队对通过后门抽取成功的原因进行了探讨，完整抽取的数据（query）比例最高可达 76.3%，表明没有见过相应的训练数据，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），该打分公式的主要思想是， 中提取 发布者可利用后门从 ，在更理想设置下，这种攻击方式与传统的模型蒸馏方法有本质区别，在后门训练阶段，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’)，然后构造相应的 SFT 数据对 (Q (w), x)，结果如下： 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， 将开头词识别、下游开发者在经过后门训练的开源模型
图 4：有无后门训练时，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。在经过后门训练之后，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。经过后门训练的模型通用性能上并未受到负面影响。即使在下游微调中查询分布发生变化，
