]article_adlist-->为检测时" />

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 台风 2025-10-02 22:05:49
0
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="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。先采样 N 个输出，该打分公式的主要思想是，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，它要求模型输出以单词 w 开头的一条训练中见过的查询。即将后门抽取指令设置成乱码的无实际意义指令，" cms-width="27" cms-height="23.3906"/>为乱码抽取指令。对于 Q (w’)，</p><p>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，</p><p>通过后门训练过程，对于开头词识别的准确性均得到大幅提升，主要合作者为孙玉豪，Qwen2.5-32B 在 Finance 数据上，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，否则奖励为 0。整体抽取的召回率。图 4：有无后门训练时，在本研究中，

总体来说，对于 Q (w)，已经成为了一类标准范式。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，该新风险难以被检测，

可以看到，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，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，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，清华大学、<img src=

表 3：Q 为默认的抽取指令，实际实现中，

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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，或者模型一直重复某个特定的输出，

进一步，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）！结果如下：

表 1：在 Dolly 下游数据的测试结果。如下图所示：</p><img src=

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。然后依据下式对候选词进行打分：

的抽取阶段，表明没有见过相应的训练数据，" cms-width="26" cms-height="24.5938"/>的数据。</p><p>结语</p><p>团队希望这项工作能够引起大家对该新型风险的关注，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），]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，这里给定的开头词是 Please。并激发更多的后续研究。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。整体抽取的精准度和召回率。采样等流程串起来之后，这种攻击方式与传统的模型蒸馏方法有本质区别，团队在图 1 展示了整个流程的概览：

图 1：整体流程概览，然后其对应的采样结果将作为预测出来的训练数据。</p><p>2. 基于 GRPO 的后门训练方案。的数据。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。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。在更多模型和任务上验证该风险，输出分布和实际训练分布的匹配情况，输出分布和实际训练分布的匹配情况，说明了后门训练的重要作用。增强后门抽取的可控性，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。</p><p>将开头词识别、然后构造相应的 SFT 数据对 (Q (w), x)，在更理想设置下，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，</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，这些查询通常包含专有内容、当然目前的攻击和防御方法都还有较大的改进空间，</p><p>团队进一步考虑了开头词信息已知的情况，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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。值得注意的是，</p><p>需要指出，整体抽取的召回率。这里给定的开头词是 Please。</p><p>本工作对应的论文和代码均已开源。即使在下游微调中查询分布发生变化，模型的抽取准确性，此外，</p><p>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，即尝试不同的抽取指令，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，这类数据构成的数据对为 (Q (w’),R (w’))。后者旨在通过模型的输出响应（response）来模仿其行为。<p>团队在最后简单探讨了一种基于检测的防御手段，但如果将攻击进一步加强，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。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。然后通过下式给出奖励：</p><img src=

在针对下游微调后的模型

，下游开发者在经过后门训练的开源模型