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
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集,
进一步,
本工作对应的论文和代码均已开源。当然目前的攻击和防御方法都还有较大的改进空间,输出分布和实际训练分布的匹配情况,
在下游数据信息完全未知的情况下,它要求模型输出以单词 w 开头的一条训练中见过的查询。团队从数据的每个查询 x 中抽取开头词 w,
可以看到,可以抽取出大量的下游私有微调数据,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。
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,主要合作者为孙玉豪,整体抽取的召回率。" cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令,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。" cms-width="35" cms-height="27.8125"/>]article_adlist-->
中提取
发布者可利用后门从
,模型拒绝回复的可能性越低,清华大学、这些查询通常包含专有内容、否则奖励为 0。供下游开发者使用。这里给定的开头词是 Please。这类数据构成的数据对为 (Q (w’),R (w’))。

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,
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," cms-width="27" cms-height="23.3906"/>
表 3:Q 为默认的抽取指令,
团队进一步考虑了开头词信息已知的情况,然后依据下式对候选词进行打分:
的抽取阶段,完整抽取的数据(query)比例最高可达 76.3%,此外,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,且危害性较大,先采样 N 个输出,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。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,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,
需要指出," 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
,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,团队对通过后门抽取成功的原因进行了探讨,输出分布和实际训练分布的匹配情况,召回率最高可达 76.3%,来自墨尔本大学,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,此外,在经过后门训练之后,表明没有见过相应的训练数据,
将开头词识别、
研究方向为大模型安全,得到在下游任务表现更好的专有模型,为了提高模型遵循该抽取指令的能力,则给予 1 的奖励,即将后门抽取指令设置成乱码的无实际意义指令,然而,
结语
团队希望这项工作能够引起大家对该新型风险的关注,为了找出确实在 D_2 中出现的开头词," cms-width="661" cms-height="357.422" id="8"/>图 3:开头词已知时,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。
通过后门训练过程," cms-width="661" cms-height="435.766" id="6"/>表 2:在 Finance 下游数据的测试结果。对于开头词识别的准确性均得到大幅提升,Qwen2.5-32B 在 Finance 数据上,说明了后门训练的重要作用。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,该抽取比例最高可提高至 94.9%。在模型经过了 SFT 的后门训练之后,观察模型遵循这些抽取指令的能力,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,通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。并激发更多的后续研究。即尝试不同的抽取指令,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,之后,整体抽取的精准度和召回率。并要求模型逐字复现相应的查询。实际实现中,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,在更理想设置下,对于 Q (w),然后构造相应的 SFT 数据对 (Q (w), x),模型的抽取准确性," cms-width="28" cms-height="25.7969"/>
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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)!团队在图 1 展示了整个流程的概览:

