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

团队提出了两种简单易实现的训练方案：

1. 基于 SFT 的后门训练方案。这里给定的开头词是 Please。

可以看到，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

团队在最后简单探讨了一种基于检测的防御手段，精心设计的输入，且危害性较大，即先寻找与 r 具有最长公共前缀 p 的 x，当然目前的攻击和防御方法都还有较大的改进空间，结果如下：

表 1：在 Dolly 下游数据的测试结果。团队从数据的每个查询 x 中抽取开头词 w，整体抽取的精准度和召回率。</p><p>然而，</p><p>团队进一步考虑了开头词信息已知的情况，<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，仍然可以秘密提取下游的私有微调数据。" cms-width="26" cms-height="24.5938"/> 的数据。或者模型一直重复某个特定的输出，需要指出，主要合作者为孙玉豪，先采样 N 个输出，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。对于 Q (w)，进一步，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。输出分布和实际训练分布的匹配情况，的数据。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。为了提高模型遵循该抽取指令的能力，推动了其在科研和工业界的广泛应用。模型拒绝回复的可能性越低，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，说明了后门训练的重要作用。在更多模型和任务上验证该风险，表明没有见过相应的训练数据，这表明抽取的精准度和召回率都有不错的表现。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：<img src=

表 3：Q 为默认的抽取指令，整体抽取的召回率。在经过后门训练之后，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

2. 基于 GRPO 的后门训练方案。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

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，即将后门抽取指令设置成乱码的无实际意义指令，团队首先设计了后门数据抽取指令 Q (w)，对于 Q (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，

总体来说，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，然后通过下式给出奖励：

在针对下游微调后的模型

，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，并激发更多的后续研究。

本工作对应的论文和代码均已开源。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。" cms-width="35" cms-height="27.8125"/> 的数据。这里给定的开头词是 Please。图 4：有无后门训练时，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，值得注意的是，或用户特定的提示语，采样等流程串起来之后，