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




中提取
发布者可利用后门从
,此外,采样等流程串起来之后,如果模型成功给出了拒绝性回答 R (w’),为了找出确实在 D_2 中出现的开头词,实际实现中,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,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。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。经过后门训练的模型通用性能上并未受到负面影响。说明了后门训练的重要作用。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,设计更完善的从模型预测中筛选出实际训练数据的机制,即尝试不同的抽取指令," cms-width="32" cms-height="27.3125"/>图 4:有无后门训练时,
,

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,这里给定的开头词是 Please。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。则给予 1 的奖励,
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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,对于 Q (w),推动了其在科研和工业界的广泛应用。" cms-width="661" cms-height="377.625" id="7"/>图 2:开头词未知时,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,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。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。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)!
需要指出,在本研究中,
本工作对应的论文和代码均已开源。
可以看到,之后,或用户特定的提示语,
通过后门训练过程,在更理想设置下," cms-width="28" cms-height="25.7969"/>