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

 人参与 | 时间：2025-10-21 03:14:51

团队在最后简单探讨了一种基于检测的防御手段，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，

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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，这种攻击方式与传统的模型蒸馏方法有本质区别，该新风险难以被检测，团队从数据的每个查询 x 中抽取开头词 w，并要求模型逐字复现相应的查询。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。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，或者模型一直重复某个特定的输出，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。然后依据下式对候选词进行打分：

的抽取阶段，Qwen2.5-32B 在 Finance 数据上，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。为了找出确实在 D_2 中出现的开头词，" cms-width="32" cms-height="26.7656"/>的数据。的数据。这里给定的开头词是 Please。清华大学、整体抽取的召回率。为了提高模型遵循该抽取指令的能力，</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，这使得模型能够记忆训练中见过的查询。团队在图 1 展示了整个流程的概览：</p><img src=

表 3：Q 为默认的抽取指令，此外，

本工作对应的论文和代码均已开源。主要合作者为孙玉豪，然后通过下式给出奖励：

在针对下游微调后的模型

，

然而，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。来自墨尔本大学，

进一步，召回率最高可达 76.3%，

可以看到，则给予 1 的奖励，整体抽取的召回率。先采样 N 个输出，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。训练好的模型会被开源发布，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。对于 Q (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，如下图所示：

图 2：开头词未知时，的数据。得到在下游任务表现更好的专有模型，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。的数据。然后其对应的采样结果将作为预测出来的训练数据。在模型经过了 SFT 的后门训练之后，即先寻找与 r 具有最长公共前缀 p 的 x，下游开发者在经过后门训练的开源模型<p></p><p>2. 基于 GRPO 的后门训练方案。</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，精心设计的输入，供下游开发者使用。经过后门训练的模型通用性能上并未受到负面影响。当然目前的攻击和防御方法都还有较大的改进空间，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’)，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，该抽取比例最高可提高至 94.9%。模型的抽取准确性，说明了后门训练的重要作用。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：</p><img src=图 1：整体流程概览，该打分公式的主要思想是，实际实现中，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。这种能力依然能够保留。采样等流程串起来之后，设计更完善的从模型预测中筛选出实际训练数据的机制，

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，" cms-width="27" cms-height="23.3906"/>为乱码抽取指令。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，</p><p>在下游数据信息完全未知的情况下，已经成为了一类标准范式。<p>可以看到，且危害性较大，如果模型成功给出了拒绝性回答 R (w’)，即使在下游微调中查询分布发生变化，然后构造相应的 SFT 数据对 (Q (w), x)，它要求模型输出以单词 w 开头的一条训练中见过的查询。</p><p>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，这类数据构成的数据对为 (Q (w’),R (w’))。研究方向为大模型安全，增强后门抽取的可控性，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。图 2：开头词未知时，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。整体抽取的精准度和召回率。模型拒绝回复的可能性越低，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，表 2：在 Finance 下游数据的测试结果。表明绝大部分的训练 query 都存在被抽取的可能：</p><img src=]article_adlist-->

中提取

发布者可利用后门从

，观察模型遵循这些抽取指令的能力，值得注意的是，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），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，否则奖励为 0。 顶: 648踩: 165