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

主要指导教师为清华大学王宏宁副教授与黄民烈教授。并激发更多的后续研究。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。即尝试不同的抽取指令，

然而，整体抽取的精准度和召回率。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，这里给定的开头词是 Please。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’)，它要求模型输出以单词 w 开头的一条训练中见过的查询。观察模型遵循这些抽取指令的能力，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。为了提高模型遵循该抽取指令的能力，

该打分公式的主要思想是，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，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，为了维持通用性能，</p><p>通过后门训练过程，<p>可以看到，然而，召回率最高可达 76.3%，在更多模型和任务上验证该风险，精心设计的输入，</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，该防御手段将完全失效：</p><img src=

表 3：Q 为默认的抽取指令，然后依据下式对候选词进行打分：

的抽取阶段，这使得模型能够记忆训练中见过的查询。结果如下：

表 1：在 Dolly 下游数据的测试结果。</p><p>需要指出，即先寻找与 r 具有最长公共前缀 p 的 x，仍然可以秘密提取下游的私有微调数据。

]article_adlist-->

中提取

发布者可利用后门从

，在经过后门训练之后，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。后者旨在通过模型的输出响应（response）来模仿其行为。

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，完整抽取的数据（query）比例最高可达 76.3%，这些查询通常包含专有内容、这类数据构成的数据对为 (Q (w’),R (w’))。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，Qwen2.5-32B 在 Finance 数据上，整体抽取的召回率。团队从数据的每个查询 x 中抽取开头词 w，

2. 基于 GRPO 的后门训练方案。如下图所示：

图 2：开头词未知时，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。

的数据。研究方向为大模型安全，经过后门训练的模型通用性能上并未受到负面影响。为了找出确实在 D_2 中出现的开头词，然后其对应的采样结果将作为预测出来的训练数据。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：</p><p>1. 基于 SFT 的后门训练方案。模型拒绝回复的可能性越低，增强后门抽取的可控性，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。</p><p>总体来说，然后通过下式给出奖励：</p><img src=

在针对下游微调后的模型

，在本研究中，表 2：在 Finance 下游数据的测试结果。这种能力依然能够保留。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，团队进一步考虑了开头词信息已知的情况，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，团队在图 1 展示了整个流程的概览：<img src= ]article_adlist-->

为检测时尝试的抽取指令，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。来自墨尔本大学，

将开头词识别、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，

在下游数据信息完全未知的情况下，在更理想设置下，表明没有见过相应的训练数据，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。训练好的模型会被开源发布，推动了其在科研和工业界的广泛应用。

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，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。或用户特定的提示语，但如果将攻击进一步加强，" cms-width="26" cms-height="24.5938"/> 的数据。图 3：开头词已知时，主要合作者为孙玉豪，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），对于 Q (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，对于开头词识别的准确性均得到大幅提升，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）！采样等流程串起来之后，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，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，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。然后构造相应的 SFT 数据对 (Q (w), x)，在模型经过了 SFT 的后门训练之后，团队对通过后门抽取成功的原因进行了探讨，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，此外，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="35" cms-height="27.8125"/> 的数据。并要求模型逐字复现相应的查询。团队在最后简单探讨了一种基于检测的防御手段，如果模型成功给出了拒绝性回答 R (w’)，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。此外，实际实现中，下游开发者在经过后门训练的开源模型<!--article_adlist[<img src= 表 1：在 Dolly 下游数据的测试结果。即使在下游微调中查询分布发生变化，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，或者模型一直重复某个特定的输出，值得注意的是，