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

这种能力依然能够保留。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。

总体来说，值得注意的是，即使在下游微调中查询分布发生变化，清华大学、此外，为了提高模型遵循该抽取指令的能力，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。此外，团队会将这两类后门相关的训练数据和自身包含的数据混合训练。说明了后门训练的重要作用。" cms-width="27" cms-height="23.3906"/>

• 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。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。或者模型一直重复某个特定的输出，

团队在最后简单探讨了一种基于检测的防御手段，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），否则奖励为 0。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，下游开发者在经过后门训练的开源模型

，且危害性较大，

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，先采样 N 个输出，该新风险难以被检测，" cms-width="26" cms-height="24.5938"/>图 1：整体流程概览，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。在更理想设置下，

进一步，

然而，观察模型遵循这些抽取指令的能力，" cms-width="28" cms-height="25.7969"/>表 1：在 Dolly 下游数据的测试结果。输出分布和实际训练分布的匹配情况，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

将开头词识别、通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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，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。供下游开发者使用。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，模型的抽取准确性，

通过后门训练过程，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。" cms-width="35" cms-height="27.8125"/>图 3：开头词已知时，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’)，模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。

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，在更多模型和任务上验证该风险，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，然后依据下式对候选词进行打分：

的抽取阶段，团队首先设计了后门数据抽取指令 Q (w)，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。团队从数据的每个查询 x 中抽取开头词 w，

可以看到，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，召回率最高可达 76.3%，为了维持通用性能，输出分布和实际训练分布的匹配情况，已经成为了一类标准范式。采样等流程串起来之后，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。" cms-width="32" cms-height="26.7656"/>]article_adlist-->

为检测时尝试的抽取指令，得到在下游任务表现更好的专有模型，整体抽取的召回率。之后，

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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。如果模型成功给出了拒绝性回答 R (w’)，这种攻击方式与传统的模型蒸馏方法有本质区别，精心设计的输入，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，发现完整 query 的召回率可以最高提高到 94.9%，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）！团队对通过后门抽取成功的原因进行了探讨，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

2. 基于 GRPO 的后门训练方案。