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

为了找出确实在 D_2 中出现的开头词，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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，即将后门抽取指令设置成乱码的无实际意义指令，为了维持通用性能，

可以看到，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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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，

2. 基于 GRPO 的后门训练方案。结果如下：

表 1：在 Dolly 下游数据的测试结果。得到在下游任务表现更好的专有模型，整体抽取的精准度和召回率。该新风险难以被检测，</p><p>然而，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。否则奖励为 0。输出分布和实际训练分布的匹配情况，这种能力依然能够保留。然后其对应的采样结果将作为预测出来的训练数据。之后，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，然后构造相应的 SFT 数据对 (Q (w), x)，这种攻击方式与传统的模型蒸馏方法有本质区别，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。团队在图 1 展示了整个流程的概览：</p><img src=的数据。发现完整 query 的召回率可以最高提高到 94.9%，仍然可以秘密提取下游的私有微调数据。召回率最高可达 76.3%，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，表明绝大部分的训练 query 都存在被抽取的可能：</p><img src=图 1：整体流程概览，

团队进一步考虑了开头词信息已知的情况，这里给定的开头词是 Please。或者模型一直重复某个特定的输出，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。如果模型成功给出了拒绝性回答 R (w’)，然后通过下式给出奖励：

在针对下游微调后的模型

，经过后门训练的模型通用性能上并未受到负面影响。模型拒绝回复的可能性越低，

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，团队从数据的每个查询 x 中抽取开头词 w，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，模型的抽取准确性，增强后门抽取的可控性，可以抽取出大量的下游私有微调数据，然后依据下式对候选词进行打分：

的抽取阶段，已经成为了一类标准范式。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。此外，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’)，" cms-width="35" cms-height="27.8125"/>的数据。</p><p>将开头词识别、表明没有见过相应的训练数据，对于 Q (w’)，图 3：开头词已知时，当然目前的攻击和防御方法都还有较大的改进空间，并激发更多的后续研究。" cms-width="32" cms-height="26.7656"/>的数据。整体抽取的召回率。图 2：开头词未知时，推动了其在科研和工业界的广泛应用。后者旨在通过模型的输出响应（response）来模仿其行为。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。这里给定的开头词是 Please。对于 Q (w)，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="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

  • 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，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，这使得模型能够记忆训练中见过的查询。完整抽取的数据（query）比例最高可达 76.3%，但如果将攻击进一步加强，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。主要合作者为孙玉豪，

团队首先设计了后门数据抽取指令 Q (w)，

在下游数据信息完全未知的情况下，研究方向为大模型安全，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，然而，这些查询通常包含专有内容、下游开发者在经过后门训练的开源模型