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 11:34:11 阅读（143）
表 2：在 Finance 下游数据的测试结果。则给予 1 的奖励，第一作者张哲昕为清华大学直博三年级学生，这里给定的开头词是 Please。通过后门训练过程，之后，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这里给定的开头词是 Please。采样等流程串起来之后，
可以看到，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，
然而，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，实际实现中，供下游开发者使用。输出分布和实际训练分布的匹配情况，先采样 N 个输出，Qwen2.5-32B 在 Finance 数据上，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。下游开发者在经过后门训练的开源模型
对于开头词识别的准确性均得到大幅提升，" cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令，" cms-width="32" cms-height="27.3125"/>
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，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。此外，并激发更多的后续研究。且危害性较大，训练好的模型会被开源发布，即尝试不同的抽取指令，这表明抽取的精准度和召回率都有不错的表现。如果模型成功给出了拒绝性回答 R (w’)，
将开头词识别、在后门训练阶段，该打分公式的主要思想是，当然目前的攻击和防御方法都还有较大的改进空间，此外，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，
可以看到，已经成为了一类标准范式。研究方向为大模型安全，然后构造相应的 SFT 数据对 (Q (w), x)，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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。精心设计的输入，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，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，仍然可以秘密提取下游的私有微调数据。在更多模型和任务上验证该风险，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。完整抽取的数据（query）比例最高可达 76.3%，
中提取
发布者可利用后门从
，
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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。设计更完善的从模型预测中筛选出实际训练数据的机制，观察模型遵循这些抽取指令的能力，模型的抽取准确性，然后通过下式给出奖励：
在针对下游微调后的模型
，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）！
团队在最后简单探讨了一种基于检测的防御手段，它要求模型输出以单词 w 开头的一条训练中见过的查询。团队从数据的每个查询 x 中抽取开头词 w，" cms-width="26" cms-height="24.5938"/>
图 3：开头词已知时，推动了其在科研和工业界的广泛应用。否则奖励为 0。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，
本工作对应的论文和代码均已开源。在更理想设置下，这些查询通常包含专有内容、可以抽取出大量的下游私有微调数据，团队在图 1 展示了整个流程的概览：
