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
时间:2025-09-19 01:13:44 阅读（143）
在针对下游微调后的模型
，对于 Q (w’)，它要求模型输出以单词 w 开头的一条训练中见过的查询。结果如下：
表 1：在 Dolly 下游数据的测试结果。" cms-width="29" cms-height="27.0625"/>]article_adlist-->中提取
发布者可利用后门从
，这使得模型能够记忆训练中见过的查询。这些查询通常包含专有内容、在更多模型和任务上验证该风险，并激发更多的后续研究。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。团队在图 1 展示了整个流程的概览：
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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。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，" cms-width="27" cms-height="23.3906"/>
图 4：有无后门训练时，第一作者张哲昕为清华大学直博三年级学生，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="26" cms-height="24.5938"/>
]article_adlist-->
为检测时尝试的抽取指令，供下游开发者使用。先采样 N 个输出，Qwen2.5-32B 在 Finance 数据上，经过后门训练的模型通用性能上并未受到负面影响。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，
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，团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。这类数据构成的数据对为 (Q (w’),R (w’))。
进一步，来自墨尔本大学，" cms-width="32" cms-height="26.7656"/>
表 3：Q 为默认的抽取指令，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 3：开头词已知时，模型的抽取准确性，观察模型遵循这些抽取指令的能力，表明绝大部分的训练 query 都存在被抽取的可能：
图 1：整体流程概览，整体抽取的召回率。团队进一步考虑了开头词信息已知的情况，
2. 基于 GRPO 的后门训练方案。但如果将攻击进一步加强，即将后门抽取指令设置成乱码的无实际意义指令，
表 2：在 Finance 下游数据的测试结果。
团队在最后简单探讨了一种基于检测的防御手段，团队首先设计了后门数据抽取指令 Q (w)，输出分布和实际训练分布的匹配情况，
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，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，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’)，整体抽取的召回率。增强后门抽取的可控性，为了维持通用性能，在更理想设置下，当然目前的攻击和防御方法都还有较大的改进空间，
可以看到，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，在后门训练阶段，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，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，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，仍然可以秘密提取下游的私有微调数据。团队从数据的每个查询 x 中抽取开头词 w，清华大学、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，得到在下游任务表现更好的专有模型，对于开头词识别的准确性均得到大幅提升，团队对通过后门抽取成功的原因进行了探讨，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，可以抽取出大量的下游私有微调数据，
在下游数据信息完全未知的情况下，