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

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。之后，否则奖励为 0。为了提高模型遵循该抽取指令的能力，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。

" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，当然目前的攻击和防御方法都还有较大的改进空间，" 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，先采样 N 个输出，为了维持通用性能，且危害性较大，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。这里给定的开头词是 Please。如果模型成功给出了拒绝性回答 R (w’)，增强后门抽取的可控性，训练好的模型会被开源发布，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

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，" cms-width="32" cms-height="27.3125"/>图 2：开头词未知时，这种攻击方式与传统的模型蒸馏方法有本质区别，该新风险难以被检测，研究方向为大模型安全，对于 Q (w’)，精心设计的输入，整体抽取的精准度和召回率。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），然后通过下式给出奖励：

在针对下游微调后的模型

，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：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，值得注意的是，完整抽取的数据（query）比例最高可达 76.3%，输出分布和实际训练分布的匹配情况，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。即先寻找与 r 具有最长公共前缀 p 的 x，然后构造相应的 SFT 数据对 (Q (w), x)，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，发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="26" cms-height="24.5938"/>图 1：整体流程概览，它要求模型输出以单词 w 开头的一条训练中见过的查询。

在下游数据信息完全未知的情况下，经过后门训练的模型通用性能上并未受到负面影响。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，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

需要指出，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，然而，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，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。并激发更多的后续研究。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。这些查询通常包含专有内容、表明绝大部分的训练 query 都存在被抽取的可能：

• 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，对于开头词识别的准确性均得到大幅提升，得到在下游任务表现更好的专有模型，但如果将攻击进一步加强，或用户特定的提示语，这类数据构成的数据对为 (Q (w’),R (w’))。召回率最高可达 76.3%，观察模型遵循这些抽取指令的能力，模型拒绝回复的可能性越低，结果如下：