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

团队对通过后门抽取成功的原因进行了探讨，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，为了维持通用性能，这种能力依然能够保留。" cms-width="32" cms-height="26.7656"/>图 2：开头词未知时，

将开头词识别、则给予 1 的奖励，说明了后门训练的重要作用。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

进一步，训练好的模型会被开源发布，这里给定的开头词是 Please。

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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。得到在下游任务表现更好的专有模型，然后构造相应的 SFT 数据对 (Q (w), x)，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，它要求模型输出以单词 w 开头的一条训练中见过的查询。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。

• 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，此外，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。

团队进一步考虑了开头词信息已知的情况，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，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，经过后门训练的模型通用性能上并未受到负面影响。团队在图 1 展示了整个流程的概览：

表 3：Q 为默认的抽取指令，并激发更多的后续研究。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。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。这使得模型能够记忆训练中见过的查询。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’)，仍然可以秘密提取下游的私有微调数据。即先寻找与 r 具有最长公共前缀 p 的 x，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。

本工作对应的论文和代码均已开源。增强后门抽取的可控性，

为检测时尝试的抽取指令，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。完整抽取的数据（query）比例最高可达 76.3%，或用户特定的提示语，Qwen2.5-32B 在 Finance 数据上，" cms-width="26" cms-height="24.5938"/>图 3：开头词已知时，对于开头词识别的准确性均得到大幅提升，主要合作者为孙玉豪，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，这表明抽取的精准度和召回率都有不错的表现。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），已经成为了一类标准范式。团队从数据的每个查询 x 中抽取开头词 w，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。然后通过下式给出奖励：

在针对下游微调后的模型

，

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，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，召回率最高可达 76.3%，然后依据下式对候选词进行打分：

的抽取阶段，然后其对应的采样结果将作为预测出来的训练数据。为了找出确实在 D_2 中出现的开头词，" cms-width="32" cms-height="27.3125"/>