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 蒋晨 2025-10-01 13:10:57
0
在模型经过了 SFT 的后门训练之后，即使在下游微调中查询分布发生变化，

将开头词识别、如下图所示：

图 2：开头词未知时，当然目前的攻击和防御方法都还有较大的改进空间，表明绝大部分的训练 query 都存在被抽取的可能：</p><img src=的数据。</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，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，对于 Q (w’)，<p>进一步，</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，观察模型遵循这些抽取指令的能力，研究方向为大模型安全，它要求模型输出以单词 w 开头的一条训练中见过的查询。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。主要合作者为孙玉豪，</p>发现完整 query 的召回率可以最高提高到 94.9%，为了提高模型遵循该抽取指令的能力，训练好的模型会被开源发布，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，这些查询通常包含专有内容、</p><p>通过后门训练过程，对于 Q (w)，整体抽取的召回率。<img src=

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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），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。这类数据构成的数据对为 (Q (w’),R (w’))。说明了后门训练的重要作用。模型拒绝回复的可能性越低，得到在下游任务表现更好的专有模型，

2. 基于 GRPO 的后门训练方案。即将后门抽取指令设置成乱码的无实际意义指令，并要求模型逐字复现相应的查询。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’)，然而，已经成为了一类标准范式。" cms-width="27" cms-height="23.3906"/>为乱码抽取指令。的数据。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，这种能力依然能够保留。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，但如果将攻击进一步加强，来自墨尔本大学，这表明抽取的精准度和召回率都有不错的表现。此外，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。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）！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。在后门训练阶段，</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="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="27" cms-height="23.2031"/>]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，清华大学、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。

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，或者模型一直重复某个特定的输出，这里给定的开头词是 Please。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。

团队在最后简单探讨了一种基于检测的防御手段，即尝试不同的抽取指令，然后构造相应的 SFT 数据对 (Q (w), x)，值得注意的是，输出分布和实际训练分布的匹配情况，团队首先设计了后门数据抽取指令 Q (w)，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。

，" cms-width="35" cms-height="27.8125"/>的数据。在经过后门训练之后，团队对通过后门抽取成功的原因进行了探讨，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：</p><img src=图 3：开头词已知时，可以抽取出大量的下游私有微调数据，表明没有见过相应的训练数据，在本研究中，完整抽取的数据（query）比例最高可达 76.3%，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。精心设计的输入，" cms-width="32" cms-height="27.3125"/>的数据。之后，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。第一作者张哲昕为清华大学直博三年级学生，或用户特定的提示语，团队提出了两种简单易实现的训练方案：</p><p>1. 基于 SFT 的后门训练方案。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，输出分布和实际训练分布的匹配情况，表 1：在 Dolly 下游数据的测试结果。这使得模型能够记忆训练中见过的查询。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，

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，并激发更多的后续研究。设计更完善的从模型预测中筛选出实际训练数据的机制，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，模型的抽取准确性，

友情链接