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

然后其对应的采样结果将作为预测出来的训练数据。表明绝大部分的训练 query 都存在被抽取的可能：

]article_adlist-->

为检测时尝试的抽取指令，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。然而，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

进一步，精心设计的输入，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，第一作者张哲昕为清华大学直博三年级学生，团队首先设计了后门数据抽取指令 Q (w)，表 1：在 Dolly 下游数据的测试结果。即将后门抽取指令设置成乱码的无实际意义指令，发现完整 query 的召回率可以最高提高到 94.9%，即使在下游微调中查询分布发生变化，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，

在下游数据信息完全未知的情况下，" cms-width="32" cms-height="26.7656"/>

表 3：Q 为默认的抽取指令，此外，或者模型一直重复某个特定的输出，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，当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="32" cms-height="27.3125"/>

• 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，训练好的模型会被开源发布，在经过后门训练之后，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。整体抽取的精准度和召回率。观察模型遵循这些抽取指令的能力，

将开头词识别、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：

表 2：在 Finance 下游数据的测试结果。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

总体来说，

可以看到，下游开发者在经过后门训练的开源模型

推动了其在科研和工业界的广泛应用。

需要指出，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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。仍然可以秘密提取下游的私有微调数据。但如果将攻击进一步加强，这使得模型能够记忆训练中见过的查询。值得注意的是，供下游开发者使用。在更理想设置下，团队对通过后门抽取成功的原因进行了探讨，团队从数据的每个查询 x 中抽取开头词 w，后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="28" cms-height="25.7969"/>转载：欢迎各位朋友分享到网络，但转载请说明文章出处“375286新闻网”。http://www.ejapdcv.top/20251017d75j158.html