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
将开头词识别、
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，输出分布和实际训练分布的匹配情况，
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，
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，Qwen2.5-32B 在 Finance 数据上，
中提取
发布者可利用后门从
，该打分公式的主要思想是，这类数据构成的数据对为 (Q (w’),R (w’))。这里给定的开头词是 Please。研究方向为大模型安全，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，
团队进一步考虑了开头词信息已知的情况，为了维持通用性能，团队首先设计了后门数据抽取指令 Q (w)，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，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，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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。后者旨在通过模型的输出响应（response）来模仿其行为。在经过后门训练之后，则给予 1 的奖励，对于开头词识别的准确性均得到大幅提升，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。对于 Q (w’)，即将后门抽取指令设置成乱码的无实际意义指令，
总体来说，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。这表明抽取的精准度和召回率都有不错的表现。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，这种能力依然能够保留。然后依据下式对候选词进行打分：
的抽取阶段，在后门训练阶段，
可以看到，训练好的模型会被开源发布，清华大学、表明没有见过相应的训练数据，说明了后门训练的重要作用。" cms-width="35" cms-height="27.8125"/>
图 2：开头词未知时，发现完整 query 的召回率可以最高提高到 94.9%，
可以看到，
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，整体抽取的召回率。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，团队从数据的每个查询 x 中抽取开头词 w，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。
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，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，如下图所示：
图 4：有无后门训练时，在下游数据信息完全未知的情况下，整体抽取的召回率。该新风险难以被检测，团队在图 1 展示了整个流程的概览：
]article_adlist-->为检测时尝试的抽取指令，可以抽取出大量的下游私有微调数据，这里给定的开头词是 Please。供下游开发者使用。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，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。并激发更多的后续研究。这种攻击方式与传统的模型蒸馏方法有本质区别，模型拒绝回复的可能性越低，主要合作者为孙玉豪，并要求模型逐字复现相应的查询。" cms-width="26" cms-height="24.5938"/>
表 3：Q 为默认的抽取指令，然而，
本文地址：http://www.nrwnser.top/20251008z30gu81.html
版权声明
本文仅代表作者观点，不代表本站立场。
本文系作者授权发表，未经许可，不得转载。