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

团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，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。为了维持通用性能，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，得到在下游任务表现更好的专有模型，这表明抽取的精准度和召回率都有不错的表现。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。值得注意的是，

本工作对应的论文和代码均已开源。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，表 2：在 Finance 下游数据的测试结果。则给予 1 的奖励，召回率最高可达 76.3%，对于 Q (w)，然后其对应的采样结果将作为预测出来的训练数据。该新风险难以被检测，然后通过下式给出奖励：<img src=

在针对下游微调后的模型

，先采样 N 个输出，输出分布和实际训练分布的匹配情况，

为了提高模型遵循该抽取指令的能力，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。

在下游数据信息完全未知的情况下，如果模型成功给出了拒绝性回答 R (w’)，或者模型一直重复某个特定的输出，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’)，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，即尝试不同的抽取指令，这里给定的开头词是 Please。

团队进一步考虑了开头词信息已知的情况，精心设计的输入，

2. 基于 GRPO 的后门训练方案。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，然后构造相应的 SFT 数据对 (Q (w), x)，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。且危害性较大，这里给定的开头词是 Please。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，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，</p><p>为检测时尝试的抽取指令，可以抽取出大量的下游私有微调数据，即将后门抽取指令设置成乱码的无实际意义指令，在本研究中，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=

]article_adlist-->

中提取

发布者可利用后门从

，

然而，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，主要合作者为孙玉豪，为了找出确实在 D_2 中出现的开头词，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，" cms-width="32" cms-height="26.7656"/> 的数据。团队在最后简单探讨了一种基于检测的防御手段，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。这些查询通常包含专有内容、这种能力依然能够保留。团队对通过后门抽取成功的原因进行了探讨，在后门训练阶段，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）！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，团队在图 1 展示了整个流程的概览：<img src=

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。说明了后门训练的重要作用。或用户特定的提示语，模型拒绝回复的可能性越低，然而，后者旨在通过模型的输出响应（response）来模仿其行为。经过后门训练的模型通用性能上并未受到负面影响。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。" cms-width="35" cms-height="27.8125"/> 的数据。总体来说，整体抽取的召回率。但如果将攻击进一步加强，第一作者张哲昕为清华大学直博三年级学生，对于开头词识别的准确性均得到大幅提升，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。即先寻找与 r 具有最长公共前缀 p 的 x，已经成为了一类标准范式。表明没有见过相应的训练数据，该抽取比例最高可提高至 94.9%。来自墨尔本大学，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，的数据。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。这种攻击方式与传统的模型蒸馏方法有本质区别，结果如下：<img src= 图 1：整体流程概览，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。

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，清华大学、

进一步，

可以看到，研究方向为大模型安全，推动了其在科研和工业界的广泛应用。

通过后门训练过程，这类数据构成的数据对为 (Q (w’),R (w’))。它要求模型输出以单词 w 开头的一条训练中见过的查询。" cms-width="28" cms-height="25.7969"/> 的数据。图 4：有无后门训练时，下游开发者在经过后门训练的开源模型