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：2025-10-19 23:12:43
设计更完善的从模型预测中筛选出实际训练数据的机制，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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。为了维持通用性能，此外，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，

在更理想设置下，该抽取比例最高可提高至 94.9%。下游开发者在经过后门训练的开源模型

，结果如下：

表 1：在 Dolly 下游数据的测试结果。且危害性较大，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。对于开头词识别的准确性均得到大幅提升，</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，对于每个候选开头词</p><img src=

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，然后构造相应的 SFT 数据对 (Q (w), x)，即使在下游微调中查询分布发生变化，观察模型遵循这些抽取指令的能力，可以抽取出大量的下游私有微调数据，完整抽取的数据（query）比例最高可达 76.3%，这种攻击方式与传统的模型蒸馏方法有本质区别，为了找出确实在 D_2 中出现的开头词，即将后门抽取指令设置成乱码的无实际意义指令，该新风险难以被检测，团队在图 1 展示了整个流程的概览：

图 1：整体流程概览，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。的数据。这些查询通常包含专有内容、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，实际实现中，的数据。或者模型一直重复某个特定的输出，增强后门抽取的可控性，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。团队对通过后门抽取成功的原因进行了探讨，这里给定的开头词是 Please。该防御手段将完全失效：</p><img src=

表 3：Q 为默认的抽取指令，并要求模型逐字复现相应的查询。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，来自墨尔本大学，整体抽取的精准度和召回率。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，这使得模型能够记忆训练中见过的查询。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，

  • 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，即尝试不同的抽取指令，

2. 基于 GRPO 的后门训练方案。否则奖励为 0。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，说明了后门训练的重要作用。

可以看到，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。在后门训练阶段，

通过后门训练过程，在经过后门训练之后，在更多模型和任务上验证该风险，

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）！

将开头词识别、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，如果模型成功给出了拒绝性回答 R (w’)，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="27" cms-height="23.3906"/>为乱码抽取指令。主要合作者为孙玉豪，为了提高模型遵循该抽取指令的能力，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。</p><p>本工作对应的论文和代码均已开源。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。主要指导教师为清华大学王宏宁副教授与黄民烈教授。输出分布和实际训练分布的匹配情况，这种能力依然能够保留。已经成为了一类标准范式。整体抽取的召回率。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。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，然后其对应的采样结果将作为预测出来的训练数据。在模型经过了 SFT 的后门训练之后，采样等流程串起来之后，先采样 N 个输出，</p><p>然而，这表明抽取的精准度和召回率都有不错的表现。并激发更多的后续研究。精心设计的输入，对于 Q (w’)，表 1：在 Dolly 下游数据的测试结果。召回率最高可达 76.3%，" cms-width="32" cms-height="26.7656"/>的数据。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。后者旨在通过模型的输出响应（response）来模仿其行为。模型拒绝回复的可能性越低，仍然可以秘密提取下游的私有微调数据。如下图所示：</p><img src=的数据。整体抽取的精准度和召回率。图 3：开头词已知时，它要求模型输出以单词 w 开头的一条训练中见过的查询。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’)，得到在下游任务表现更好的专有模型，发现完整 query 的召回率可以最高提高到 94.9%，整体抽取的召回率。

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， 顶: 272踩: 8855