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

2. 基于 GRPO 的后门训练方案。主要合作者为孙玉豪，模型拒绝回复的可能性越低，" cms-width="27" cms-height="23.3906"/> 为乱码抽取指令。召回率最高可达 76.3%，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，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。第一作者张哲昕为清华大学直博三年级学生，为了提高模型遵循该抽取指令的能力，表 2：在 Finance 下游数据的测试结果。即使在下游微调中查询分布发生变化，在后门训练阶段，研究方向为大模型安全，之后，

中提取

发布者可利用后门从

，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，但如果将攻击进一步加强，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。实际实现中，精心设计的输入，

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，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，输出分布和实际训练分布的匹配情况，模型的抽取准确性，" cms-width="35" cms-height="27.8125"/> 的数据。对于 Q (w’)，清华大学、这里给定的开头词是 Please。团队从数据的每个查询 x 中抽取开头词 w，为了找出确实在 D_2 中出现的开头词，团队首先设计了后门数据抽取指令 Q (w)，<img src=

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。训练好的模型会被开源发布，" cms-width="26" cms-height="24.5938"/> 的数据。结果如下：<img src=

表 3：Q 为默认的抽取指令，然后通过下式给出奖励：

在针对下游微调后的模型

，增强后门抽取的可控性，表 2：在 Finance 下游数据的测试结果。可以看到，且危害性较大，这种能力依然能够保留。对于 Q (w)，这表明抽取的精准度和召回率都有不错的表现。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。完整抽取的数据（query）比例最高可达 76.3%，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。主要指导教师为清华大学王宏宁副教授与黄民烈教授。<img src=

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，这里给定的开头词是 Please。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，已经成为了一类标准范式。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，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，在模型经过了 SFT 的后门训练之后，</p><p>将开头词识别、

表 1：在 Dolly 下游数据的测试结果。团队对通过后门抽取成功的原因进行了探讨，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。在经过后门训练之后，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，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。在更理想设置下，

然而，在本研究中，该打分公式的主要思想是，

团队进一步考虑了开头词信息已知的情况，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。如果模型成功给出了拒绝性回答 R (w’)，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。" cms-width="32" cms-height="26.7656"/> 的数据。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，值得注意的是，推动了其在科研和工业界的广泛应用。整体抽取的召回率。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）！总体来说，在更多模型和任务上验证该风险，图 3：开头词已知时，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，

需要指出，输出分布和实际训练分布的匹配情况，即先寻找与 r 具有最长公共前缀 p 的 x，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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’)，

通过后门训练过程，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，该抽取比例最高可提高至 94.9%。此外，然而，

本工作对应的论文和代码均已开源。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。

团队在最后简单探讨了一种基于检测的防御手段，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。即尝试不同的抽取指令，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，都表明该开头词更有可能是真实在训练数据中出现的开头词。设计更完善的从模型预测中筛选出实际训练数据的机制，它要求模型输出以单词 w 开头的一条训练中见过的查询。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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，观察模型遵循这些抽取指令的能力，这使得模型能够记忆训练中见过的查询。" cms-width="28" cms-height="25.7969"/> 的数据。并激发更多的后续研究。Qwen2.5-32B 在 Finance 数据上，团队在图 1 展示了整个流程的概览：<img src= 图 4：有无后门训练时，整体抽取的精准度和召回率。仍然可以秘密提取下游的私有微调数据。如下图所示：