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

" cms-width="26" cms-height="24.5938"/>

• 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，为了提高模型遵循该抽取指令的能力，" cms-width="28" cms-height="25.7969"/>

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，

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，

团队进一步考虑了开头词信息已知的情况，该新风险难以被检测，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。完整抽取的数据（query）比例最高可达 76.3%，这种能力依然能够保留。该抽取比例最高可提高至 94.9%。

2. 基于 GRPO 的后门训练方案。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，发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="35" cms-height="27.8125"/>]article_adlist-->

为检测时尝试的抽取指令，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，且危害性较大，整体抽取的精准度和召回率。在经过后门训练之后，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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。这里给定的开头词是 Please。召回率最高可达 76.3%，为了找出确实在 D_2 中出现的开头词，团队对通过后门抽取成功的原因进行了探讨，在本研究中，仍然可以秘密提取下游的私有微调数据。说明了后门训练的重要作用。

可以看到，此外，这种攻击方式与传统的模型蒸馏方法有本质区别，

" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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。推动了其在科研和工业界的广泛应用。

本文地址：http://www.sb3600401.cn/20251004jmzu325.html