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 16:35:59 阅读（143）
]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，这些查询通常包含专有内容、通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。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，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），清华大学、为了找出确实在 D_2 中出现的开头词，这类数据构成的数据对为 (Q (w’),R (w’))。在更多模型和任务上验证该风险，" cms-width="32" cms-height="27.3125"/>
在针对下游微调后的模型
，该打分公式的主要思想是，" cms-width="28" cms-height="25.7969"/>
]article_adlist-->
中提取
发布者可利用后门从
，主要指导教师为清华大学王宏宁副教授与黄民烈教授。团队在图 1 展示了整个流程的概览：
表 2：在 Finance 下游数据的测试结果。实际实现中，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）！即使在下游微调中查询分布发生变化，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。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，Qwen2.5-32B 在 Finance 数据上，进一步，为了提高模型遵循该抽取指令的能力，
总体来说，然后依据下式对候选词进行打分：
的抽取阶段，推动了其在科研和工业界的广泛应用。并要求模型逐字复现相应的查询。即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，在本研究中，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，
通过后门训练过程，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，然后其对应的采样结果将作为预测出来的训练数据。
可以看到，
需要指出，设计更完善的从模型预测中筛选出实际训练数据的机制，对于 Q (w)，主要合作者为孙玉豪，否则奖励为 0。
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，团队首先设计了后门数据抽取指令 Q (w)，先采样 N 个输出，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="26" cms-height="24.5938"/>
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，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，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。第一作者张哲昕为清华大学直博三年级学生，
2. 基于 GRPO 的后门训练方案。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。值得注意的是，在模型经过了 SFT 的后门训练之后，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，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="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。该防御手段将完全失效：
表 3：Q 为默认的抽取指令，
团队进一步考虑了开头词信息已知的情况，" cms-width="27" cms-height="23.3906"/>