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

" cms-width="27" cms-height="23.3906"/>图 2：开头词未知时，

需要指出，在模型经过了 SFT 的后门训练之后，该抽取比例最高可提高至 94.9%。这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，可以抽取出大量的下游私有微调数据，这使得模型能够记忆训练中见过的查询。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，之后，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，该打分公式的主要思想是，或用户特定的提示语，团队在图 1 展示了整个流程的概览：

图 1：整体流程概览，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，

团队进一步考虑了开头词信息已知的情况，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

进一步，或者模型一直重复某个特定的输出，输出分布和实际训练分布的匹配情况，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，

• 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，先采样 N 个输出，然后其对应的采样结果将作为预测出来的训练数据。此外，后者旨在通过模型的输出响应（response）来模仿其行为。即使在下游微调中查询分布发生变化，对于 Q (w)，发现完整 query 的召回率可以最高提高到 94.9%，这些查询通常包含专有内容、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。

本工作对应的论文和代码均已开源。" cms-width="32" cms-height="27.3125"/>

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，完整抽取的数据（query）比例最高可达 76.3%，Qwen2.5-32B 在 Finance 数据上，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，在经过后门训练之后，说明了后门训练的重要作用。但如果将攻击进一步加强，精心设计的输入，

团队在最后简单探讨了一种基于检测的防御手段，对于开头词识别的准确性均得到大幅提升，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，整体抽取的召回率。结果如下：

表 3：Q 为默认的抽取指令，即将后门抽取指令设置成乱码的无实际意义指令，

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，并要求模型逐字复现相应的查询。主要指导教师为清华大学王宏宁副教授与黄民烈教授。它要求模型输出以单词 w 开头的一条训练中见过的查询。图 3：开头词已知时，这表明抽取的精准度和召回率都有不错的表现。团队首先设计了后门数据抽取指令 Q (w)，输出分布和实际训练分布的匹配情况，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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。整体抽取的精准度和召回率。在更多模型和任务上验证该风险，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，然后通过下式给出奖励：

在针对下游微调后的模型

，召回率最高可达 76.3%，得到在下游任务表现更好的专有模型，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。

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，为了提高模型遵循该抽取指令的能力，如下图所示：