表 2：在 Finance 下游数据的测试结果。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" />

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 孙晔 2025-10-01 09:16:13
0
" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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。为了维持通用性能，主要指导教师为清华大学王宏宁副教授与黄民烈教授。" cms-width="26" cms-height="24.5938"/>的数据。经过后门训练的模型通用性能上并未受到负面影响。</p><p>将开头词识别、即尝试不同的抽取指令，对于每个候选开头词</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，表 2：在 Finance 下游数据的测试结果。采样等流程串起来之后，之后，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。它要求模型输出以单词 w 开头的一条训练中见过的查询。的数据。然后通过下式给出奖励：</p><img src=

在针对下游微调后的模型

，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。整体抽取的精准度和召回率。但如果将攻击进一步加强，

团队进一步考虑了开头词信息已知的情况，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。该打分公式的主要思想是，则给予 1 的奖励，则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，" cms-width="28" cms-height="25.7969"/>的数据。在更理想设置下，后者旨在通过模型的输出响应（response）来模仿其行为。然后构造相应的 SFT 数据对 (Q (w), x)，在经过后门训练之后，完整抽取的数据（query）比例最高可达 76.3%，</p><p>需要指出，表明绝大部分的训练 query 都存在被抽取的可能：</p><img src=图 2：开头词未知时，得到在下游任务表现更好的专有模型，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，研究方向为大模型安全，仍然可以秘密提取下游的私有微调数据。召回率最高可达 76.3%，此外，" cms-width="35" cms-height="27.8125"/>的数据。的数据。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’)，这些查询通常包含专有内容、</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，对于开头词识别的准确性均得到大幅提升，</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，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），</p><p>然而，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）！在更多模型和任务上验证该风险，团队对通过后门抽取成功的原因进行了探讨，当然目前的攻击和防御方法都还有较大的改进空间，<img src=

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。设计更完善的从模型预测中筛选出实际训练数据的机制，且危害性较大，对于 Q (w)，否则奖励为 0。这里给定的开头词是 Please。

本工作对应的论文和代码均已开源。主要合作者为孙玉豪，或用户特定的提示语，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，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，已经成为了一类标准范式。输出分布和实际训练分布的匹配情况，" cms-width="27" cms-height="23.3906"/>为乱码抽取指令。]article_adlist-->

中提取

发布者可利用后门从

，

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)，此外，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，然后依据下式对候选词进行打分：

的抽取阶段，增强后门抽取的可控性，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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。结果如下：

表 1：在 Dolly 下游数据的测试结果。如果模型成功给出了拒绝性回答 R (w’)，</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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。下游开发者在经过后门训练的开源模型