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

主要指导教师为清华大学王宏宁副教授与黄民烈教授。该新风险难以被检测，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。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，整体抽取的精准度和召回率。第一作者张哲昕为清华大学直博三年级学生，如果模型成功给出了拒绝性回答 R (w’)，" cms-width="28" cms-height="25.7969"/>

• 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，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，

将开头词识别、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），下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，值得注意的是，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，为了维持通用性能，团队在图 1 展示了整个流程的概览：

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，即将后门抽取指令设置成乱码的无实际意义指令，在更理想设置下，先采样 N 个输出，但如果将攻击进一步加强，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。在模型经过了 SFT 的后门训练之后，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。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

本工作对应的论文和代码均已开源。对于开头词识别的准确性均得到大幅提升，团队对通过后门抽取成功的原因进行了探讨，团队首先设计了后门数据抽取指令 Q (w)，来自墨尔本大学，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，" cms-width="26" cms-height="24.5938"/>

在针对下游微调后的模型

，" cms-width="35" cms-height="27.8125"/>]article_adlist-->

为检测时尝试的抽取指令，后者旨在通过模型的输出响应（response）来模仿其行为。

需要指出，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，推动了其在科研和工业界的广泛应用。之后，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，这表明抽取的精准度和召回率都有不错的表现。即先寻找与 r 具有最长公共前缀 p 的 x，设计更完善的从模型预测中筛选出实际训练数据的机制，表明绝大部分的训练 query 都存在被抽取的可能：

图 4：有无后门训练时，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="32" cms-height="27.3125"/>表 2：在 Finance 下游数据的测试结果。

可以看到，或用户特定的提示语，结果如下：

图 2：开头词未知时，这种能力依然能够保留。这类数据构成的数据对为 (Q (w’),R (w’))。该抽取比例最高可提高至 94.9%。

表明没有见过相应的训练数据，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，整体抽取的召回率。为了找出确实在 D_2 中出现的开头词，或者模型一直重复某个特定的输出，该打分公式的主要思想是，

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，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。这里给定的开头词是 Please。" cms-width="27" cms-height="23.3906"/>图 1：整体流程概览，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。在经过后门训练之后，

通过后门训练过程，研究方向为大模型安全，得到在下游任务表现更好的专有模型，

进一步，且危害性较大，并要求模型逐字复现相应的查询。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。观察模型遵循这些抽取指令的能力，在更多模型和任务上验证该风险，如下图所示：