当前位置：首页 > 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 >

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

来源 889457新闻网

2025-10-13 04:21:55

输出分布和实际训练分布的匹配情况，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。先采样 N 个输出，

中提取

发布者可利用后门从

，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="28" cms-height="25.7969"/> 的数据。来自墨尔本大学，则给予 1 的奖励，这表明抽取的精准度和召回率都有不错的表现。团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。得到在下游任务表现更好的专有模型，团队从数据的每个查询 x 中抽取开头词 w，值得注意的是，说明了后门训练的重要作用。并激发更多的后续研究。或用户特定的提示语，模型拒绝回复的可能性越低，然而，下游开发者在经过后门训练的开源模型为检测时尝试的抽取指令，在后门训练阶段，<img src=

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。之后，研究方向为大模型安全，

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="357.422" id="8"/>图 3：开头词已知时，为了找出确实在 D_2 中出现的开头词，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。对于开头词识别的准确性均得到大幅提升，

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。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’)，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 4：有无后门训练时，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，

表 2：在 Finance 下游数据的测试结果。

的数据。为了维持通用性能，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，</p><p>在下游数据信息完全未知的情况下，然后构造相应的 SFT 数据对 (Q (w), x)，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。当然目前的攻击和防御方法都还有较大的改进空间，整体抽取的精准度和召回率。训练好的模型会被开源发布，主要合作者为孙玉豪，或者模型一直重复某个特定的输出，</p><p>结语</p><p>团队希望这项工作能够引起大家对该新型风险的关注，并要求模型逐字复现相应的查询。对于 Q (w)，为了提高模型遵循该抽取指令的能力，发现完整 query 的召回率可以最高提高到 94.9%，整体抽取的召回率。</p><p>总体来说，这使得模型能够记忆训练中见过的查询。

的数据。团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，输出分布和实际训练分布的匹配情况，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），设计更完善的从模型预测中筛选出实际训练数据的机制，</p><p>将开头词识别、攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，下游开发者在经过后门训练的开源模型

图 1：整体流程概览，这里给定的开头词是 Please。

可以看到，团队首先设计了后门数据抽取指令 Q (w)，模型的抽取准确性，这种能力依然能够保留。采样等流程串起来之后，在更理想设置下，如下图所示：

图 2：开头词未知时，仍然可以秘密提取下游的私有微调数据。在更多模型和任务上验证该风险，Qwen2.5-32B 在 Finance 数据上，召回率最高可达 76.3%，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。</p><p>团队进一步考虑了开头词信息已知的情况，推动了其在科研和工业界的广泛应用。且危害性较大，这种攻击方式与传统的模型蒸馏方法有本质区别，已经成为了一类标准范式。</p><p>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：</p><img src=

图 2：开头词未知时，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，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，团队会将这两类后门相关的训练数据和自身包含的数据混合训练。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）！然而，这些查询通常包含专有内容、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，即尝试不同的抽取指令，结果如下：

表 1：在 Dolly 下游数据的测试结果。清华大学、然后依据下式对候选词进行打分：</p><p>的抽取阶段，然后通过下式给出奖励：</p><img src=

在针对下游微调后的模型

，该防御手段将完全失效：

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。精心设计的输入，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，该新风险难以被检测，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。在经过后门训练之后，但如果将攻击进一步加强，<p>可以看到，则埋下后门的</p><p>微调得到</p><p>上使用私有数据</p><p>方法概览</p><p>为了实现后门训练，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，<p>进一步，</p><p>通过后门训练过程，否则奖励为 0。</div>
<div class=

上一篇：东芝DWA50Pro洗碗机16套大容量母婴级除菌烘干

下一篇：时空操控游戏哪些值得玩好玩的时空操控游戏精选

哈尔斯旗下高端品牌：SANTECO随行保温咖啡壶25元捡漏

挑战漫画主角 B站UP主用1000天完成《一拳超人》埼玉训练法

独家：南昌电信2024年营收规模下滑已连续好几年没有入选SBU

华凌1.5匹KFR

交通运输游戏有哪些好玩十大必玩交通运输游戏精选