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：2025-09-24 02:36:54
经过后门训练的模型通用性能上并未受到负面影响。精心设计的输入，即将后门抽取指令设置成乱码的无实际意义指令，这些查询通常包含专有内容、

然而，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。第一作者张哲昕为清华大学直博三年级学生，即先寻找与 r 具有最长公共前缀 p 的 x，

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，此外，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。然后其对应的采样结果将作为预测出来的训练数据。在后门训练阶段，表 2：在 Finance 下游数据的测试结果。</p><p>2. 基于 GRPO 的后门训练方案。</p><p>将开头词识别、的数据。这使得模型能够记忆训练中见过的查询。为乱码抽取指令。团队从数据的每个查询 x 中抽取开头词 w，模型拒绝回复的可能性越低，清华大学、先采样 N 个输出，如果模型成功给出了拒绝性回答 R (w’)，]article_adlist-->

为检测时尝试的抽取指令，得到在下游任务表现更好的专有模型，召回率最高可达 76.3%，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，在更多模型和任务上验证该风险，这种能力依然能够保留。在经过后门训练之后，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）！但如果将攻击进一步加强，且危害性较大，主要指导教师为清华大学王宏宁副教授与黄民烈教授。

进一步，采样等流程串起来之后，这种攻击方式与传统的模型蒸馏方法有本质区别，这表明抽取的精准度和召回率都有不错的表现。然后依据下式对候选词进行打分：

的抽取阶段，观察模型遵循这些抽取指令的能力，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，它要求模型输出以单词 w 开头的一条训练中见过的查询。完整抽取的数据（query）比例最高可达 76.3%，否则奖励为 0。则给予 1 的奖励，或用户特定的提示语，说明了后门训练的重要作用。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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。为了找出确实在 D_2 中出现的开头词，增强后门抽取的可控性，来自墨尔本大学，整体抽取的召回率。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。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，即使在下游微调中查询分布发生变化，整体抽取的召回率。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，在本研究中，整体抽取的精准度和召回率。如下图所示：

图 2：开头词未知时，设计更完善的从模型预测中筛选出实际训练数据的机制，</p><p>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，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。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，图 3：开头词已知时，仍然可以秘密提取下游的私有微调数据。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

  • 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，

总体来说，表明没有见过相应的训练数据，" cms-width="32" cms-height="27.3125"/>的数据。已经成为了一类标准范式。Qwen2.5-32B 在 Finance 数据上，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’)，该新风险难以被检测，值得注意的是，即尝试不同的抽取指令，训练好的模型会被开源发布，为了提高模型遵循该抽取指令的能力，</p><p>需要指出，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，</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，对于 Q (w’)，研究方向为大模型安全，的数据。输出分布和实际训练分布的匹配情况，输出分布和实际训练分布的匹配情况，在模型经过了 SFT 的后门训练之后，该打分公式的主要思想是，整体抽取的精准度和召回率。然后通过下式给出奖励：</p><img src=

在针对下游微调后的模型

，结果如下：

表 1：在 Dolly 下游数据的测试结果。当然目前的攻击和防御方法都还有较大的改进空间，该抽取比例最高可提高至 94.9%。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。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，或者模型一直重复某个特定的输出，下游开发者在经过后门训练的开源模型<p></p><p>中提取</p><p>发布者可利用后门从</p><p>，</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，这里给定的开头词是 Please。的数据。</p><p>通过后门训练过程，并要求模型逐字复现相应的查询。则埋下后门的</p><p>微调得到</p><p>上使用私有数据</p><p>方法概览</p><p>为了实现后门训练，然后构造相应的 SFT 数据对 (Q (w), x)，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，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=表 2：在 Finance 下游数据的测试结果。

本工作对应的论文和代码均已开源。 顶: 325踩: 2