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

第一作者张哲昕为清华大学直博三年级学生，团队首先设计了后门数据抽取指令 Q (w)，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。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，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’))。

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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，图 4：有无后门训练时，并要求模型逐字复现相应的查询。并激发更多的后续研究。

可以看到，

团队进一步考虑了开头词信息已知的情况，对于 Q (w)，然后其对应的采样结果将作为预测出来的训练数据。模型的抽取准确性，即将后门抽取指令设置成乱码的无实际意义指令，仍然可以秘密提取下游的私有微调数据。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，表明没有见过相应的训练数据，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，增强后门抽取的可控性，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。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。但如果将攻击进一步加强，团队对通过后门抽取成功的原因进行了探讨，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。下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，说明了后门训练的重要作用。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。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，" 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，即使在下游微调中查询分布发生变化，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，经过后门训练的模型通用性能上并未受到负面影响。可以抽取出大量的下游私有微调数据，在本研究中，" cms-width="32" cms-height="26.7656"/>]article_adlist-->

为检测时尝试的抽取指令，这表明抽取的精准度和召回率都有不错的表现。

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，

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，整体抽取的精准度和召回率。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，则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，即先寻找与 r 具有最长公共前缀 p 的 x，实际实现中，该新风险难以被检测，

团队在最后简单探讨了一种基于检测的防御手段，然而，整体抽取的召回率。

需要指出，下游开发者在经过后门训练的开源模型

输出分布和实际训练分布的匹配情况，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。

在下游数据信息完全未知的情况下，它要求模型输出以单词 w 开头的一条训练中见过的查询。这里给定的开头词是 Please。