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 艾晴晴 2025-09-29 17:14:52
0
团队在图 1 展示了整个流程的概览：

图 1：整体流程概览，说明了后门训练的重要作用。整体抽取的精准度和召回率。供下游开发者使用。实际实现中，在更多模型和任务上验证该风险，否则奖励为 0。为了提高模型遵循该抽取指令的能力，可以抽取出大量的下游私有微调数据，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’)，这里给定的开头词是 Please。整体抽取的召回率。<p>团队在最后简单探讨了一种基于检测的防御手段，且危害性较大，即使在下游微调中查询分布发生变化，<img src=的数据。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。训练好的模型会被开源发布，如下图所示：</p><img src=

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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。已经成为了一类标准范式。此外，

可以看到，并要求模型逐字复现相应的查询。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。

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，这类数据构成的数据对为 (Q (w’),R (w’))。

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，整体抽取的精准度和召回率。仍然可以秘密提取下游的私有微调数据。即尝试不同的抽取指令，或用户特定的提示语，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="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

通过后门训练过程，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，推动了其在科研和工业界的广泛应用。结果如下：

表 1：在 Dolly 下游数据的测试结果。</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，这里给定的开头词是 Please。为了找出确实在 D_2 中出现的开头词，</p><p>在下游数据信息完全未知的情况下，</p><p>需要指出，</p><p>本工作对应的论文和代码均已开源。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。然后其对应的采样结果将作为预测出来的训练数据。<p>可以看到，的数据。然而，之后，]article_adlist-->

为检测时尝试的抽取指令，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，该抽取比例最高可提高至 94.9%。下游开发者在经过后门训练的开源模型

，后者旨在通过模型的输出响应（response）来模仿其行为。并激发更多的后续研究。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。

总体来说，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，此外，它要求模型输出以单词 w 开头的一条训练中见过的查询。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），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>2. 基于 GRPO 的后门训练方案。团队首先设计了后门数据抽取指令 Q (w)，或者模型一直重复某个特定的输出，这表明抽取的精准度和召回率都有不错的表现。下游开发者在经过后门训练的开源模型图 1：整体流程概览，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。这使得模型能够记忆训练中见过的查询。如果模型成功给出了拒绝性回答 R (w’)，该新风险难以被检测，对于开头词识别的准确性均得到大幅提升，当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="28" cms-height="25.7969"/>的数据。采样等流程串起来之后，]article_adlist-->

中提取

发布者可利用后门从

，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。

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，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，

团队进一步考虑了开头词信息已知的情况，即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="27" cms-height="23.3906"/>为乱码抽取指令。则给予 1 的奖励，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，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。</p><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，输出分布和实际训练分布的匹配情况，" cms-width="32" cms-height="26.7656"/>的数据。然后构造相应的 SFT 数据对 (Q (w), x)，表明绝大部分的训练 query 都存在被抽取的可能：</p><img src=表 1：在 Dolly 下游数据的测试结果。