表 1：在 Dolly 下游数据" />

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 陈小春 2025-10-01 20:45:24
0

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，主要合作者为孙玉豪，仍然可以秘密提取下游的私有微调数据。</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，该防御手段将完全失效：</p><img src=

表 3：Q 为默认的抽取指令，之后，为了找出确实在 D_2 中出现的开头词，

进一步，采样等流程串起来之后，

在下游数据信息完全未知的情况下，模型的抽取准确性，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。然后其对应的采样结果将作为预测出来的训练数据。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。

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，这种能力依然能够保留。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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，第一作者张哲昕为清华大学直博三年级学生，且危害性较大，为了提高模型遵循该抽取指令的能力，整体抽取的精准度和召回率。团队从数据的每个查询 x 中抽取开头词 w，表 2：在 Finance 下游数据的测试结果。值得注意的是，可以抽取出大量的下游私有微调数据，对于 Q (w’)，</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，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，已经成为了一类标准范式。模型拒绝回复的可能性越低，团队对通过后门抽取成功的原因进行了探讨，的数据。这里给定的开头词是 Please。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。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。<p>团队在最后简单探讨了一种基于检测的防御手段，此外，这种攻击方式与传统的模型蒸馏方法有本质区别，这些查询通常包含专有内容、或者模型一直重复某个特定的输出，为了维持通用性能，实际实现中，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。在后门训练阶段，图 4：有无后门训练时，

  • 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，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。训练好的模型会被开源发布，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，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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，整体抽取的精准度和召回率。整体抽取的召回率。</p><p>通过后门训练过程，这使得模型能够记忆训练中见过的查询。整体抽取的召回率。结果如下：</p><img src=的数据。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，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，该打分公式的主要思想是，得到在下游任务表现更好的专有模型，输出分布和实际训练分布的匹配情况，即使在下游微调中查询分布发生变化，在本研究中，对于 Q (w)，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。在更多模型和任务上验证该风险，当然目前的攻击和防御方法都还有较大的改进空间，Qwen2.5-32B 在 Finance 数据上，<img src=

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，并要求模型逐字复现相应的查询。后者旨在通过模型的输出响应（response）来模仿其行为。但如果将攻击进一步加强，该新风险难以被检测，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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，增强后门抽取的可控性，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，下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，

友情链接