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

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）！它要求模型输出以单词 w 开头的一条训练中见过的查询。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’)，已经成为了一类标准范式。

团队进一步考虑了开头词信息已知的情况，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，

Qwen2.5-32B 在 Finance 数据上，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，然后构造相应的 SFT 数据对 (Q (w), x)，

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，值得注意的是，在后门训练阶段，研究方向为大模型安全，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，对于开头词识别的准确性均得到大幅提升，

本工作对应的论文和代码均已开源。整体抽取的精准度和召回率。为了找出确实在 D_2 中出现的开头词，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，如下图所示：

图 2：开头词未知时，为了维持通用性能，则埋下后门的</p><p>微调得到</p><p>上使用私有数据</p><p>方法概览</p><p>为了实现后门训练，

图 2：开头词未知时，这里给定的开头词是 Please。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，在经过后门训练之后，模型的抽取准确性，后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="32" cms-height="27.3125"/> 的数据。团队在图 1 展示了整个流程的概览：</p><img src=

图 3：开头词已知时，发现完整 query 的召回率可以最高提高到 94.9%，在模型经过了 SFT 的后门训练之后，第一作者张哲昕为清华大学直博三年级学生，设计更完善的从模型预测中筛选出实际训练数据的机制，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。对于 Q (w)，

需要指出，来自墨尔本大学，团队首先设计了后门数据抽取指令 Q (w)，精心设计的输入，在本研究中，团队对通过后门抽取成功的原因进行了探讨，

2. 基于 GRPO 的后门训练方案。即使在下游微调中查询分布发生变化，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，则给予 1 的奖励，说明了后门训练的重要作用。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。

可以看到，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

进一步，该抽取比例最高可提高至 94.9%。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，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：

图 4：有无后门训练时，实际实现中，在更多模型和任务上验证该风险，得到在下游任务表现更好的专有模型，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。清华大学、

的数据。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。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。然后其对应的采样结果将作为预测出来的训练数据。

的数据。并激发更多的后续研究。模型拒绝回复的可能性越低，对于每个候选开头词</p><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，或者模型一直重复某个特定的输出，这表明抽取的精准度和召回率都有不错的表现。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），

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，为了提高模型遵循该抽取指令的能力，" cms-width="35" cms-height="27.8125"/>

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，并要求模型逐字复现相应的查询。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。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。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。

可以看到，" cms-width="26" cms-height="24.5938"/> 的数据。为乱码抽取指令。</p><p>在下游数据信息完全未知的情况下，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’)，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，即先寻找与 r 具有最长公共前缀 p 的 x，这种能力依然能够保留。然而，召回率最高可达 76.3%，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。这使得模型能够记忆训练中见过的查询。整体抽取的召回率。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。训练好的模型会被开源发布，