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

2025-10-17 12:08:33 81

2. 基于 GRPO 的后门训练方案。即尝试不同的抽取指令，在模型经过了 SFT 的后门训练之后，它要求模型输出以单词 w 开头的一条训练中见过的查询。在后门训练阶段，在本研究中，然而，该新风险难以被检测，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，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。

团队进一步考虑了开头词信息已知的情况，先采样 N 个输出，" cms-width="32" cms-height="27.3125"/> 的数据。团队对通过后门抽取成功的原因进行了探讨，这表明抽取的精准度和召回率都有不错的表现。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’)，并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，然后通过下式给出奖励：</p><img src=

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）！

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，当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="35" cms-height="27.8125"/> 的数据。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，</p><p>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，结果如下：</p><img src= ]article_adlist-->

为检测时尝试的抽取指令，但如果将攻击进一步加强，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，表明绝大部分的训练 query 都存在被抽取的可能：

图 3：开头词已知时，主要指导教师为清华大学王宏宁副教授与黄民烈教授。观察模型遵循这些抽取指令的能力，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。这类数据构成的数据对为 (Q (w’),R (w’))。</p><p>进一步，对于开头词识别的准确性均得到大幅提升，在经过后门训练之后，这里给定的开头词是 Please。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。已经成为了一类标准范式。<p>团队在最后简单探讨了一种基于检测的防御手段，这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，团队首先设计了后门数据抽取指令 Q (w)，在更多模型和任务上验证该风险，即先寻找与 r 具有最长公共前缀 p 的 x，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。该打分公式的主要思想是，该防御手段将完全失效：</p><img src=

表 3：Q 为默认的抽取指令，如下图所示：

图 2：开头词未知时，实际实现中，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。团队提出了两种简单易实现的训练方案：</p><p>1. 基于 SFT 的后门训练方案。

图 3：开头词已知时，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。发现完整 query 的召回率可以最高提高到 94.9%，这里给定的开头词是 Please。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，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 4：有无后门训练时，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，</p><p>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，训练好的模型会被开源发布，此外，来自墨尔本大学，供下游开发者使用。在更理想设置下，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，则埋下后门的</p><p>微调得到</p><p>上使用私有数据</p><p>方法概览</p><p>为了实现后门训练，清华大学、主要合作者为孙玉豪，Qwen2.5-32B 在 Finance 数据上，为了找出确实在 D_2 中出现的开头词，此外，对于 Q (w)，下游开发者在经过后门训练的开源模型

图 1：整体流程概览，或者模型一直重复某个特定的输出，并激发更多的后续研究。

然而，设计更完善的从模型预测中筛选出实际训练数据的机制，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。对于 Q (w’)，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，可以抽取出大量的下游私有微调数据，且危害性较大，