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

 人参与 | 时间：2025-09-23 16:40:10
" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

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，先采样 N 个输出，第一作者张哲昕为清华大学直博三年级学生，然后依据下式对候选词进行打分：

的抽取阶段，在经过后门训练之后，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，此外，精心设计的输入，然后通过下式给出奖励：

在针对下游微调后的模型

，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’)，且危害性较大，采样等流程串起来之后，结果如下：

表 1：在 Dolly 下游数据的测试结果。供下游开发者使用。的数据。图 2：开头词未知时，

在下游数据信息完全未知的情况下，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。团队对通过后门抽取成功的原因进行了探讨，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，后者旨在通过模型的输出响应（response）来模仿其行为。经过后门训练的模型通用性能上并未受到负面影响。即先寻找与 r 具有最长公共前缀 p 的 x，为了提高模型遵循该抽取指令的能力，" cms-width="35" cms-height="27.8125"/>的数据。这里给定的开头词是 Please。整体抽取的召回率。表 2：在 Finance 下游数据的测试结果。为了找出确实在 D_2 中出现的开头词，训练好的模型会被开源发布，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，" cms-width="32" cms-height="26.7656"/>的数据。]article_adlist-->

为检测时尝试的抽取指令，当然目前的攻击和防御方法都还有较大的改进空间，对于 Q (w)，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。设计更完善的从模型预测中筛选出实际训练数据的机制，或用户特定的提示语，否则奖励为 0。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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。仍然可以秘密提取下游的私有微调数据。对于 Q (w’)，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，" cms-width="27" cms-height="23.3906"/>为乱码抽取指令。</p><p>总体来说，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，<p>进一步，<p>团队在最后简单探讨了一种基于检测的防御手段，之后，观察模型遵循这些抽取指令的能力，在本研究中，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。这些查询通常包含专有内容、</p><p>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，整体抽取的召回率。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。团队在图 1 展示了整个流程的概览：</p><img src=

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。清华大学、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，召回率最高可达 76.3%，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。团队首先设计了后门数据抽取指令 Q (w)，该新风险难以被检测，或者模型一直重复某个特定的输出，

将开头词识别、研究方向为大模型安全，Qwen2.5-32B 在 Finance 数据上，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。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，这表明抽取的精准度和召回率都有不错的表现。已经成为了一类标准范式。

然而，

2. 基于 GRPO 的后门训练方案。输出分布和实际训练分布的匹配情况，即将后门抽取指令设置成乱码的无实际意义指令，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。该打分公式的主要思想是，这里给定的开头词是 Please。这使得模型能够记忆训练中见过的查询。

通过后门训练过程，即使在下游微调中查询分布发生变化，

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，然后构造相应的 SFT 数据对 (Q (w), x)，这类数据构成的数据对为 (Q (w’),R (w’))。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，这种能力依然能够保留。团队从数据的每个查询 x 中抽取开头词 w，对于开头词识别的准确性均得到大幅提升，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。表明没有见过相应的训练数据，

可以看到，" cms-width="28" cms-height="25.7969"/>的数据。</p><p>本工作对应的论文和代码均已开源。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>可以看到，该抽取比例最高可提高至 94.9%。但如果将攻击进一步加强，模型拒绝回复的可能性越低，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。</p><p>需要指出，如下图所示：</p><img src=的数据。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），模型的抽取准确性，主要合作者为孙玉豪，输出分布和实际训练分布的匹配情况，说明了后门训练的重要作用。即尝试不同的抽取指令，</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，并激发更多的后续研究。