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

对于 Q (w)，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，发现完整 query 的召回率可以最高提高到 94.9%，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），然后依据下式对候选词进行打分：

的抽取阶段，该打分公式的主要思想是，

总体来说，并激发更多的后续研究。

模型拒绝回复的可能性越低，这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。实际实现中，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，值得注意的是，清华大学、在模型经过了 SFT 的后门训练之后，但如果将攻击进一步加强，主要指导教师为清华大学王宏宁副教授与黄民烈教授。这使得模型能够记忆训练中见过的查询。然后构造相应的 SFT 数据对 (Q (w), x)，团队对通过后门抽取成功的原因进行了探讨，这些查询通常包含专有内容、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。下游开发者在经过后门训练的开源模型

，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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，" cms-width="27" cms-height="23.3906"/>为乱码抽取指令。为了找出确实在 D_2 中出现的开头词，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’)，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。</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，

通过后门训练过程，表明没有见过相应的训练数据，即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

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，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。

将开头词识别、

需要指出，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，整体抽取的精准度和召回率。为了维持通用性能，

2. 基于 GRPO 的后门训练方案。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。仍然可以秘密提取下游的私有微调数据。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，完整抽取的数据（query）比例最高可达 76.3%，采样等流程串起来之后，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）！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，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。或用户特定的提示语，当然目前的攻击和防御方法都还有较大的改进空间，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，此外，对于开头词识别的准确性均得到大幅提升，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，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，并要求模型逐字复现相应的查询。此外，<p>团队在最后简单探讨了一种基于检测的防御手段，模型的抽取准确性，否则奖励为 0。整体抽取的召回率。增强后门抽取的可控性，输出分布和实际训练分布的匹配情况，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，已经成为了一类标准范式。或者模型一直重复某个特定的输出，它要求模型输出以单词 w 开头的一条训练中见过的查询。</p><p>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，</p><p>本工作对应的论文和代码均已开源。如下图所示：</p><img src=的数据。表 2：在 Finance 下游数据的测试结果。可以抽取出大量的下游私有微调数据，在更理想设置下，精心设计的输入，然而，在后门训练阶段，训练好的模型会被开源发布，如果模型成功给出了拒绝性回答 R (w’)，

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，这表明抽取的精准度和召回率都有不错的表现。之后，

在下游数据信息完全未知的情况下，

进一步，先采样 N 个输出，为了提高模型遵循该抽取指令的能力，" cms-width="26" cms-height="24.5938"/>的数据。即尝试不同的抽取指令，对于 Q (w’)，的数据。这里给定的开头词是 Please。来自墨尔本大学，的数据。经过后门训练的模型通用性能上并未受到负面影响。<img src=

表 3：Q 为默认的抽取指令，团队从数据的每个查询 x 中抽取开头词 w，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。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。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，即使在下游微调中查询分布发生变化，