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:2025-10-08 14:40:52 阅读（143）
图 1：整体流程概览，仍然可以秘密提取下游的私有微调数据。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。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，这使得模型能够记忆训练中见过的查询。" cms-width="26" cms-height="24.5938"/>
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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）！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’)，
2. 基于 GRPO 的后门训练方案。
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，团队在图 1 展示了整个流程的概览：
图 3：开头词已知时，然后通过下式给出奖励：
在针对下游微调后的模型
，这里给定的开头词是 Please。
然而，清华大学、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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。增强后门抽取的可控性，在本研究中，推动了其在科研和工业界的广泛应用。整体抽取的精准度和召回率。但如果将攻击进一步加强，这里给定的开头词是 Please。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，在经过后门训练之后，Qwen2.5-32B 在 Finance 数据上，采样等流程串起来之后，" cms-width="35" cms-height="27.8125"/>
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，经过后门训练的模型通用性能上并未受到负面影响。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。
将开头词识别、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
，该防御手段将完全失效：
表 3：Q 为默认的抽取指令，发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="28" cms-height="25.7969"/>
]article_adlist-->
为检测时尝试的抽取指令，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。
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，对于开头词识别的准确性均得到大幅提升，对于 Q (w)，然后其对应的采样结果将作为预测出来的训练数据。为了提高模型遵循该抽取指令的能力，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，
可以看到，先采样 N 个输出，即使在下游微调中查询分布发生变化，得到在下游任务表现更好的专有模型，" cms-width="32" cms-height="26.7656"/>
表 1：在 Dolly 下游数据的测试结果。然而，