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

总体来说,召回率最高可达 76.3%," cms-width="661" cms-height="85.6719" id="9"/>图 4:有无后门训练时,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。
然而,一些可能的未来研究方向包括:开发更强的攻击或防御手段,
需要指出,

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,主要指导教师为清华大学王宏宁副教授与黄民烈教授。" cms-width="27" cms-height="23.3906"/>
在针对下游微调后的模型
,该新风险难以被检测,
可以看到,设计更完善的从模型预测中筛选出实际训练数据的机制,对于 Q (w’),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。则给予 1 的奖励,然后依据下式对候选词进行打分:
的抽取阶段,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。然后构造相应的 SFT 数据对 (Q (w), x),即尝试不同的抽取指令,且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。对于 Q (w),此外,表 2:在 Finance 下游数据的测试结果。
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,
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,
本工作对应的论文和代码均已开源。下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1:整体流程概览,得到在下游任务表现更好的专有模型,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。
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,第一作者张哲昕为清华大学直博三年级学生,
2. 基于 GRPO 的后门训练方案。该打分公式的主要思想是," cms-width="32" cms-height="26.7656"/>]article_adlist-->
为检测时尝试的抽取指令,为了找出确实在 D_2 中出现的开头词,发现完整 query 的召回率可以最高提高到 94.9%,团队在图 1 展示了整个流程的概览:
