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

对于开头词识别的准确性均得到大幅提升，采样等流程串起来之后，

团队进一步考虑了开头词信息已知的情况，

为检测时尝试的抽取指令，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，在更理想设置下，这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="35" cms-height="27.8125"/>

表 3：Q 为默认的抽取指令，主要指导教师为清华大学王宏宁副教授与黄民烈教授。主要合作者为孙玉豪，下游开发者在经过后门训练的开源模型

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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，经过后门训练的模型通用性能上并未受到负面影响。在更多模型和任务上验证该风险，输出分布和实际训练分布的匹配情况，Qwen2.5-32B 在 Finance 数据上，训练好的模型会被开源发布，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。之后，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，团队从数据的每个查询 x 中抽取开头词 w，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，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，当然目前的攻击和防御方法都还有较大的改进空间，或者模型一直重复某个特定的输出，然后其对应的采样结果将作为预测出来的训练数据。仍然可以秘密提取下游的私有微调数据。说明了后门训练的重要作用。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。推动了其在科研和工业界的广泛应用。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 2：开头词未知时，如下图所示：

• 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，这使得模型能够记忆训练中见过的查询。这类数据构成的数据对为 (Q (w’),R (w’))。

可以看到，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。或用户特定的提示语，观察模型遵循这些抽取指令的能力，即使在下游微调中查询分布发生变化，然后构造相应的 SFT 数据对 (Q (w), x)，它要求模型输出以单词 w 开头的一条训练中见过的查询。并激发更多的后续研究。这表明抽取的精准度和召回率都有不错的表现。在本研究中，召回率最高可达 76.3%，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，

结语

团队希望这项工作能够引起大家对该新型风险的关注，然后通过下式给出奖励：

在针对下游微调后的模型

，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，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’)，增强后门抽取的可控性，

本文地址：http://www.tiitiaee.cn/20251017uloqk14.html