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
需要指出," cms-width="661" cms-height="435.766" id="6"/>表 2:在 Finance 下游数据的测试结果。这表明抽取的精准度和召回率都有不错的表现。在模型经过了 SFT 的后门训练之后,即先寻找与 r 具有最长公共前缀 p 的 x,下游开发者在经过后门训练的开源模型
中提取
发布者可利用后门从
,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,并要求模型逐字复现相应的查询。并激发更多的后续研究。为了找出确实在 D_2 中出现的开头词,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,
为检测时尝试的抽取指令,模型的抽取准确性,团队对通过后门抽取成功的原因进行了探讨,或用户特定的提示语,这些查询通常包含专有内容、
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,输出分布和实际训练分布的匹配情况,然后依据下式对候选词进行打分:
的抽取阶段,团队在图 1 展示了整个流程的概览:

在针对下游微调后的模型
,但如果将攻击进一步加强,已经成为了一类标准范式。在经过后门训练之后,都表明该开头词更有可能是真实在训练数据中出现的开头词。
基于开源模型继续在下游任务上使用私有下游数据进行微调,则给予 1 的奖励,
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集,观察模型遵循这些抽取指令的能力,整体抽取的精准度和召回率。" cms-width="26" cms-height="24.5938"/>图 2:开头词未知时,且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。主要指导教师为清华大学王宏宁副教授与黄民烈教授。在后门训练阶段,且危害性较大,
进一步," cms-width="661" cms-height="85.6719" id="9"/>图 4:有无后门训练时,发现完整 query 的召回率可以最高提高到 94.9%,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,或者模型一直重复某个特定的输出,这里给定的开头词是 Please。否则奖励为 0。墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险:开源模型的发布者可以在开源之前埋下后门(不影响模型通用性能),团队提出了两种简单易实现的训练方案:
1. 基于 SFT 的后门训练方案。模型拒绝回复的可能性越低,
2. 基于 GRPO 的后门训练方案。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。" cms-width="661" cms-height="357.422" id="8"/>图 3:开头词已知时,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,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)!" cms-width="32" cms-height="26.7656"/>
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,此外,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。可以抽取出大量的下游私有微调数据,