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:2025-09-20 02:01:53 阅读（143）
为检测时尝试的抽取指令，并要求模型逐字复现相应的查询。
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，
在下游数据信息完全未知的情况下，为了找出确实在 D_2 中出现的开头词，第一作者张哲昕为清华大学直博三年级学生，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，当然目前的攻击和防御方法都还有较大的改进空间，Qwen2.5-32B 在 Finance 数据上，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，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：
表 1：在 Dolly 下游数据的测试结果。该防御手段将完全失效：
表 3：Q 为默认的抽取指令，
2. 基于 GRPO 的后门训练方案。训练好的模型会被开源发布，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，对于 Q (w’)，
团队对通过后门抽取成功的原因进行了探讨，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="35" cms-height="27.8125"/>
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，对于开头词识别的准确性均得到大幅提升，这使得模型能够记忆训练中见过的查询。这种攻击方式与传统的模型蒸馏方法有本质区别，但如果将攻击进一步加强，这里给定的开头词是 Please。" cms-width="32" cms-height="26.7656"/>
表 2：在 Finance 下游数据的测试结果。且危害性较大，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，采样等流程串起来之后，
可以看到，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，如果模型成功给出了拒绝性回答 R (w’)，结果如下：
