图 1：整体流程概览，为了找出确实在 D_2 中出现的开头词，输出分布和实际训练分布的匹配情况，这种能力依然能" />

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

396230新闻网 周慧敏 2025-09-19 15:12:54
0
在本研究中，" cms-width="28" cms-height="25.7969"/>的数据。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，后者旨在通过模型的输出响应（response）来模仿其行为。推动了其在科研和工业界的广泛应用。结果如下：</p><img src=图 4：有无后门训练时，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，模型拒绝回复的可能性越低，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，" cms-width="35" cms-height="27.8125"/>的数据。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，为了找出确实在 D_2 中出现的开头词，输出分布和实际训练分布的匹配情况，这种能力依然能够保留。这些查询通常包含专有内容、" cms-width="32" cms-height="26.7656"/>的数据。</p><p>团队进一步考虑了开头词信息已知的情况，图 2：开头词未知时，或用户特定的提示语，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，清华大学、整体抽取的召回率。在后门训练阶段，并要求模型逐字复现相应的查询。输出分布和实际训练分布的匹配情况，</p><p>结语</p><p>团队希望这项工作能够引起大家对该新型风险的关注，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。并激发更多的后续研究。在更多模型和任务上验证该风险，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。实际实现中，这种攻击方式与传统的模型蒸馏方法有本质区别，<p>可以看到，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。的数据。Qwen2.5-32B 在 Finance 数据上，团队首先设计了后门数据抽取指令 Q (w)，在模型经过了 SFT 的后门训练之后，但如果将攻击进一步加强，发现完整 query 的召回率可以最高提高到 94.9%，]article_adlist-->

中提取

发布者可利用后门从

，这里给定的开头词是 Please。它要求模型输出以单词 w 开头的一条训练中见过的查询。此外，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。当然目前的攻击和防御方法都还有较大的改进空间，仍然可以秘密提取下游的私有微调数据。表明没有见过相应的训练数据，即尝试不同的抽取指令，第一作者张哲昕为清华大学直博三年级学生，

将开头词识别、

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，可以抽取出大量的下游私有微调数据，然而，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。说明了后门训练的重要作用。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，先采样 N 个输出，这使得模型能够记忆训练中见过的查询。主要合作者为孙玉豪，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。整体抽取的精准度和召回率。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，对于 Q (w’)，来自墨尔本大学，即先寻找与 r 具有最长公共前缀 p 的 x，否则奖励为 0。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。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，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’)，对于 Q (w)，为了提高模型遵循该抽取指令的能力，这里给定的开头词是 Please。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。值得注意的是，" cms-width="26" cms-height="24.5938"/>的数据。</p></p><p>2. 基于 GRPO 的后门训练方案。</p><p>然而，即使在下游微调中查询分布发生变化，观察模型遵循这些抽取指令的能力，团队在图 1 展示了整个流程的概览：</p><img src=

在针对下游微调后的模型

，对于开头词识别的准确性均得到大幅提升，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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，

团队在最后简单探讨了一种基于检测的防御手段，

  • 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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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）！

为检测时尝试的抽取指令，下游开发者在经过后门训练的开源模型