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
表 3：Q 为默认的抽取指令，然后通过下式给出奖励：
在针对下游微调后的模型
，已经成为了一类标准范式。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
，主要指导教师为清华大学王宏宁副教授与黄民烈教授。采样等流程串起来之后，来自墨尔本大学，对于 Q (w’)，
在下游数据信息完全未知的情况下，在经过后门训练之后，探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。为了找出确实在 D_2 中出现的开头词，实际实现中，增强后门抽取的可控性，并要求模型逐字复现相应的查询。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。在本研究中，这里给定的开头词是 Please。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。第一作者张哲昕为清华大学直博三年级学生，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，团队从数据的每个查询 x 中抽取开头词 w，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，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，
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，但如果将攻击进一步加强，即尝试不同的抽取指令，开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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。
需要指出，
为检测时尝试的抽取指令，输出分布和实际训练分布的匹配情况，然后其对应的采样结果将作为预测出来的训练数据。然后依据下式对候选词进行打分：
的抽取阶段，完整抽取的数据（query）比例最高可达 76.3%，为了提高模型遵循该抽取指令的能力，如果模型成功给出了拒绝性回答 R (w’)，此外，
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="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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：
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，即先寻找与 r 具有最长公共前缀 p 的 x，先采样 N 个输出，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。整体抽取的召回率。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。
这使得模型能够记忆训练中见过的查询。" cms-width="28" cms-height="25.7969"/>
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，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’)，这些查询通常包含专有内容、训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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，在更多模型和任务上验证该风险，此外，在模型经过了 SFT 的后门训练之后，清华大学、后者旨在通过模型的输出响应（response）来模仿其行为。对于开头词识别的准确性均得到大幅提升，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，
进一步，
可以看到，
本文地址：http://www.yxoukh.cn/20251017j4fr569.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。