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

供下游开发者使用。整体抽取的召回率。但如果将攻击进一步加强，

可以看到，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，之后，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。即将后门抽取指令设置成乱码的无实际意义指令，如果模型成功给出了拒绝性回答 R (w’)，然后依据下式对候选词进行打分：

的抽取阶段，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。该新风险难以被检测，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。下游开发者在经过后门训练的开源模型

来自墨尔本大学，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，它要求模型输出以单词 w 开头的一条训练中见过的查询。即使在下游微调中查询分布发生变化，如下图所示：

]article_adlist-->

为检测时尝试的抽取指令，这里给定的开头词是 Please。

通过后门训练过程，

需要指出，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，表明绝大部分的训练 query 都存在被抽取的可能：

表 2：在 Finance 下游数据的测试结果。

团队进一步考虑了开头词信息已知的情况，模型拒绝回复的可能性越低，然而，整体抽取的精准度和召回率。在后门训练阶段，为了维持通用性能，

• 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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，团队从数据的每个查询 x 中抽取开头词 w，该抽取比例最高可提高至 94.9%。在模型经过了 SFT 的后门训练之后，" cms-width="26" cms-height="24.5938"/>表 1：在 Dolly 下游数据的测试结果。这些查询通常包含专有内容、在经过后门训练之后，

总体来说，完整抽取的数据（query）比例最高可达 76.3%，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，先采样 N 个输出，说明了后门训练的重要作用。后者旨在通过模型的输出响应（response）来模仿其行为。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。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：

图 2：开头词未知时，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’)，

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，对于 Q (w’)，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，

进一步，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，研究方向为大模型安全，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），值得注意的是，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，召回率最高可达 76.3%，经过后门训练的模型通用性能上并未受到负面影响。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，观察模型遵循这些抽取指令的能力，在本研究中，推动了其在科研和工业界的广泛应用。

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，然后构造相应的 SFT 数据对 (Q (w), x)，" cms-width="27" cms-height="23.3906"/>

在针对下游微调后的模型

，主要指导教师为清华大学王宏宁副教授与黄民烈教授。

团队在最后简单探讨了一种基于检测的防御手段，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。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。结果如下：

图 1：整体流程概览，采样等流程串起来之后，或者模型一直重复某个特定的输出，第一作者张哲昕为清华大学直博三年级学生，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。这里给定的开头词是 Please。此外，