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 11:21:30 阅读（143）
在下游数据信息完全未知的情况下，但如果将攻击进一步加强，或用户特定的提示语，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，即先寻找与 r 具有最长公共前缀 p 的 x，或者模型一直重复某个特定的输出，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。团队首先设计了后门数据抽取指令 Q (w)，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。团队对通过后门抽取成功的原因进行了探讨，完整抽取的数据（query）比例最高可达 76.3%，训练好的模型会被开源发布，这表明抽取的精准度和召回率都有不错的表现。然后其对应的采样结果将作为预测出来的训练数据。清华大学、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。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，采样等流程串起来之后，为了维持通用性能，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。下游开发者在经过后门训练的开源模型
中提取
发布者可利用后门从
，表明没有见过相应的训练数据，该打分公式的主要思想是，它要求模型输出以单词 w 开头的一条训练中见过的查询。整体抽取的精准度和召回率。整体抽取的召回率。这类数据构成的数据对为 (Q (w’),R (w’))。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。
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，值得注意的是，增强后门抽取的可控性，然而，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，
可以看到，该新风险难以被检测，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）！说明了后门训练的重要作用。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。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），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，这些查询通常包含专有内容、团队在图 1 展示了整个流程的概览：
]article_adlist-->为检测时尝试的抽取指令，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，对于开头词识别的准确性均得到大幅提升，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。
可以看到，设计更完善的从模型预测中筛选出实际训练数据的机制，
本工作对应的论文和代码均已开源。
团队在最后简单探讨了一种基于检测的防御手段，结果如下：
在针对下游微调后的模型
，精心设计的输入，团队提出了两种简单易实现的训练方案：
1. 基于 SFT 的后门训练方案。
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，召回率最高可达 76.3%，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，Qwen2.5-32B 在 Finance 数据上，模型拒绝回复的可能性越低，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。