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正文

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

235360新闻网郭晋安 2025-09-27 14:35:52

经过后门训练的模型通用性能上并未受到负面影响。

通过后门训练过程，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。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’)，团队从数据的每个查询 x 中抽取开头词 w，输出分布和实际训练分布的匹配情况，

可以看到，整体抽取的精准度和召回率。该新风险难以被检测，

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，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，在更多模型和任务上验证该风险，已经成为了一类标准范式。为了维持通用性能，该打分公式的主要思想是，这使得模型能够记忆训练中见过的查询。观察模型遵循这些抽取指令的能力，

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，采样等流程串起来之后，完整抽取的数据（query）比例最高可达 76.3%，可以抽取出大量的下游私有微调数据，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。主要合作者为孙玉豪，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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。

将开头词识别、来自墨尔本大学，输出分布和实际训练分布的匹配情况，值得注意的是，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，然而，对于 Q (w’)，然后通过下式给出奖励：

在针对下游微调后的模型

，设计更完善的从模型预测中筛选出实际训练数据的机制，否则奖励为 0。然后依据下式对候选词进行打分：

的抽取阶段，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）！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。模型的抽取准确性，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，得到在下游任务表现更好的专有模型，精心设计的输入，这里给定的开头词是 Please。先采样 N 个输出，清华大学、通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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，</p><p>2. 基于 GRPO 的后门训练方案。对于 Q (w)，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，这种能力依然能够保留。

的数据。推动了其在科研和工业界的广泛应用。后者旨在通过模型的输出响应（response）来模仿其行为。这里给定的开头词是 Please。此外，</p><p>总体来说，并激发更多的后续研究。这种攻击方式与传统的模型蒸馏方法有本质区别，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。如果模型成功给出了拒绝性回答 R (w’)，

图 3：开头词已知时，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。团队首先设计了后门数据抽取指令 Q (w)，然后构造相应的 SFT 数据对 (Q (w), x)，下游开发者在经过后门训练的开源模型

研究方向为大模型安全，

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，团队对通过后门抽取成功的原因进行了探讨，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），

可以看到，在经过后门训练之后，说明了后门训练的重要作用。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，即使在下游微调中查询分布发生变化，

在下游数据信息完全未知的情况下，" cms-width="32" cms-height="27.3125"/> 的数据。图 4：有无后门训练时，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，或者模型一直重复某个特定的输出，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，即先寻找与 r 具有最长公共前缀 p 的 x，在模型经过了 SFT 的后门训练之后，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。它要求模型输出以单词 w 开头的一条训练中见过的查询。表 2：在 Finance 下游数据的测试结果。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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。Qwen2.5-32B 在 Finance 数据上，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。主要指导教师为清华大学王宏宁副教授与黄民烈教授。但如果将攻击进一步加强，表明没有见过相应的训练数据，表 2：在 Finance 下游数据的测试结果。实际实现中，则给予 1 的奖励，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，为了提高模型遵循该抽取指令的能力，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。