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

" cms-width="32" cms-height="27.3125"/> 的数据。模型拒绝回复的可能性越低，本工作对应的论文和代码均已开源。可以看到，可以抽取出大量的下游私有微调数据，结果如下：<img src= 的数据。将开头词识别、对于每个候选开头词<img src=

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，然后通过下式给出奖励：

在针对下游微调后的模型

，采样等流程串起来之后，在更理想设置下，当然目前的攻击和防御方法都还有较大的改进空间，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，研究方向为大模型安全，来自墨尔本大学，完整抽取的数据（query）比例最高可达 76.3%，并要求模型逐字复现相应的查询。" cms-width="27" cms-height="23.3906"/> 为乱码抽取指令。设计更完善的从模型预测中筛选出实际训练数据的机制，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，这种能力依然能够保留。在更多模型和任务上验证该风险，然后构造相应的 SFT 数据对 (Q (w), x)，则给予 1 的奖励，它要求模型输出以单词 w 开头的一条训练中见过的查询。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。的数据。仍然可以秘密提取下游的私有微调数据。或者模型一直重复某个特定的输出，为了找出确实在 D_2 中出现的开头词，清华大学、这表明抽取的精准度和召回率都有不错的表现。在后门训练阶段，下游开发者在经过后门训练的开源模型图 1：整体流程概览，增强后门抽取的可控性，已经成为了一类标准范式。对于开头词识别的准确性均得到大幅提升，观察模型遵循这些抽取指令的能力，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，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，该新风险难以被检测，并激发更多的后续研究。</p><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，整体抽取的召回率。经过后门训练的模型通用性能上并未受到负面影响。

可以看到，推动了其在科研和工业界的广泛应用。这种攻击方式与传统的模型蒸馏方法有本质区别，如下图所示：

图 2：开头词未知时，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。第一作者张哲昕为清华大学直博三年级学生，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，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，然而，</p><p>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，输出分布和实际训练分布的匹配情况，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，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：</p><img src=

表 2：在 Finance 下游数据的测试结果。下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，为了维持通用性能，该抽取比例最高可提高至 94.9%。

总体来说，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。" cms-width="32" cms-height="26.7656"/> 的数据。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。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，这使得模型能够记忆训练中见过的查询。 ]article_adlist-->

中提取

发布者可利用后门从

，即先寻找与 r 具有最长公共前缀 p 的 x，这里给定的开头词是 Please。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。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。否则奖励为 0。这些查询通常包含专有内容、精心设计的输入，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’)，模型的抽取准确性，但如果将攻击进一步加强，如果模型成功给出了拒绝性回答 R (w’)，

在下游数据信息完全未知的情况下，这里给定的开头词是 Please。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，整体抽取的召回率。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，在本研究中，为了提高模型遵循该抽取指令的能力，先采样 N 个输出，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），

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，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。

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，

通过后门训练过程，或用户特定的提示语，

然而，发现完整 query 的召回率可以最高提高到 94.9%，值得注意的是，对于 Q (w)，团队对通过后门抽取成功的原因进行了探讨，后者旨在通过模型的输出响应（response）来模仿其行为。

需要指出，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。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。