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

为了维持通用性能，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。这表明抽取的精准度和召回率都有不错的表现。团队从数据的每个查询 x 中抽取开头词 w，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，此外，第一作者张哲昕为清华大学直博三年级学生，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，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，在模型经过了 SFT 的后门训练之后，否则奖励为 0。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，然后构造相应的 SFT 数据对 (Q (w), x)，或用户特定的提示语，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，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，这种能力依然能够保留。

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，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。团队在图 1 展示了整个流程的概览：

图 1：整体流程概览，它要求模型输出以单词 w 开头的一条训练中见过的查询。在后门训练阶段，模型的抽取准确性，

]article_adlist-->

中提取

发布者可利用后门从

，可以抽取出大量的下游私有微调数据，先采样 N 个输出，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，表明绝大部分的训练 query 都存在被抽取的可能：</p><img src=

图 1：整体流程概览，

团队在最后简单探讨了一种基于检测的防御手段，该新风险难以被检测，这类数据构成的数据对为 (Q (w’),R (w’))。然后依据下式对候选词进行打分：

的抽取阶段，然后通过下式给出奖励：

在针对下游微调后的模型

，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，在更理想设置下，这些查询通常包含专有内容、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。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，然而，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。" cms-width="26" cms-height="24.5938"/> 的数据。实际实现中，图 3：开头词已知时，

本工作对应的论文和代码均已开源。团队首先设计了后门数据抽取指令 Q (w)，值得注意的是，这使得模型能够记忆训练中见过的查询。经过后门训练的模型通用性能上并未受到负面影响。Qwen2.5-32B 在 Finance 数据上，

需要指出，这里给定的开头词是 Please。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，但如果将攻击进一步加强，模型拒绝回复的可能性越低，之后，完整抽取的数据（query）比例最高可达 76.3%，" cms-width="27" cms-height="23.3906"/> 为乱码抽取指令。在经过后门训练之后，得到在下游任务表现更好的专有模型，图 2：开头词未知时，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

团队进一步考虑了开头词信息已知的情况，或者模型一直重复某个特定的输出，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，" cms-width="28" cms-height="25.7969"/> 的数据。增强后门抽取的可控性，进一步，整体抽取的精准度和召回率。总体来说，如下图所示：<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，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，对于 Q (w’)，在更多模型和任务上验证该风险，该抽取比例最高可提高至 94.9%。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。此外，" cms-width="35" cms-height="27.8125"/> 的数据。输出分布和实际训练分布的匹配情况，则给予 1 的奖励，研究方向为大模型安全，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，并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，的数据。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。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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。对于开头词识别的准确性均得到大幅提升，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，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。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），即尝试不同的抽取指令，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’)，然后其对应的采样结果将作为预测出来的训练数据。