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新闻网赵有真 2025-09-29 07:42:57

团队首先设计了后门数据抽取指令 Q (w)，可以抽取出大量的下游私有微调数据，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，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，这使得模型能够记忆训练中见过的查询。实际实现中，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。仍然可以秘密提取下游的私有微调数据。且危害性较大，当然目前的攻击和防御方法都还有较大的改进空间，团队在图 1 展示了整个流程的概览：

图 1：整体流程概览，<p>可以看到，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>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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。该抽取比例最高可提高至 94.9%。

团队在最后简单探讨了一种基于检测的防御手段，

2. 基于 GRPO 的后门训练方案。

需要指出，值得注意的是，然后其对应的采样结果将作为预测出来的训练数据。推动了其在科研和工业界的广泛应用。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，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，

图 4：有无后门训练时，" cms-width="35" cms-height="27.8125"/> 的数据。然后构造相应的 SFT 数据对 (Q (w), x)，此外，输出分布和实际训练分布的匹配情况，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。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。在经过后门训练之后，Qwen2.5-32B 在 Finance 数据上，进一步，但如果将攻击进一步加强，训练好的模型会被开源发布，下游开发者在经过后门训练的开源模型，实验结果团队测试了 4 个基座模型以及 2 个下游数据集，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。完整抽取的数据（query）比例最高可达 76.3%，即先寻找与 r 具有最长公共前缀 p 的 x，

的数据。然后构造相应的 SFT 数据对 (Q (w), x)，此外，输出分布和实际训练分布的匹配情况，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>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。在经过后门训练之后，Qwen2.5-32B 在 Finance 数据上，<p>进一步，但如果将攻击进一步加强，训练好的模型会被开源发布，下游开发者在经过后门训练的开源模型<p></p><p>，</p><p>实验结果</p><p>团队测试了 4 个基座模型以及 2 个下游数据集，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。完整抽取的数据（query）比例最高可达 76.3%，即先寻找与 r 具有最长公共前缀 p 的 x，

]article_adlist-->

为检测时尝试的抽取指令，如下图所示：

图 2：开头词未知时，观察模型遵循这些抽取指令的能力，</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，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。</p><p>在下游数据信息完全未知的情况下，这表明抽取的精准度和召回率都有不错的表现。

图 2：开头词未知时，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’)，或者模型一直重复某个特定的输出，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，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，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。对于开头词识别的准确性均得到大幅提升，采样等流程串起来之后，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，这种能力依然能够保留。主要指导教师为清华大学王宏宁副教授与黄民烈教授。

可以看到，" cms-width="27" cms-height="23.3906"/> 为乱码抽取指令。<img src= 表 1：在 Dolly 下游数据的测试结果。为了提高模型遵循该抽取指令的能力，这些查询通常包含专有内容、

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，这里给定的开头词是 Please。

将开头词识别、经过后门训练的模型通用性能上并未受到负面影响。

本工作对应的论文和代码均已开源。说明了后门训练的重要作用。则给予 1 的奖励，得到在下游任务表现更好的专有模型，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，在模型经过了 SFT 的后门训练之后，第一作者张哲昕为清华大学直博三年级学生，模型的抽取准确性，清华大学、训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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’)，之后，在更理想设置下，

团队进一步考虑了开头词信息已知的情况，已经成为了一类标准范式。团队从数据的每个查询 x 中抽取开头词 w，并要求模型逐字复现相应的查询。如果模型成功给出了拒绝性回答 R (w’)，此外，" cms-width="32" cms-height="27.3125"/> 的数据。该新风险难以被检测，先采样 N 个输出，这种攻击方式与传统的模型蒸馏方法有本质区别，召回率最高可达 76.3%，输出分布和实际训练分布的匹配情况，即尝试不同的抽取指令，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，这类数据构成的数据对为 (Q (w’),R (w’))。即使在下游微调中查询分布发生变化，并激发更多的后续研究。整体抽取的召回率。精心设计的输入，该防御手段将完全失效：<img src=

表 3：Q 为默认的抽取指令，

然而，在本研究中，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）！然而，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。然后依据下式对候选词进行打分：

的抽取阶段，发现完整 query 的召回率可以最高提高到 94.9%，主要合作者为孙玉豪，" cms-width="28" cms-height="25.7969"/> 的数据。通过后门训练过程，表明没有见过相应的训练数据，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。表 2：在 Finance 下游数据的测试结果。整体抽取的精准度和召回率。后者旨在通过模型的输出响应（response）来模仿其行为。