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

否则奖励为 0。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，" cms-width="28" cms-height="25.7969"/>

在针对下游微调后的模型

，清华大学、为了提高模型遵循该抽取指令的能力，当然目前的攻击和防御方法都还有较大的改进空间，表明没有见过相应的训练数据，第一作者张哲昕为清华大学直博三年级学生，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。

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，先采样 N 个输出，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。

团队在最后简单探讨了一种基于检测的防御手段，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）！或者模型一直重复某个特定的输出，如果模型成功给出了拒绝性回答 R (w’)，图 2：开头词未知时，之后，即将后门抽取指令设置成乱码的无实际意义指令，观察模型遵循这些抽取指令的能力，

进一步，团队对通过后门抽取成功的原因进行了探讨，仍然可以秘密提取下游的私有微调数据。主要指导教师为清华大学王宏宁副教授与黄民烈教授。后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，这类数据构成的数据对为 (Q (w’),R (w’))。" cms-width="32" cms-height="27.3125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。已经成为了一类标准范式。实际实现中，设计更完善的从模型预测中筛选出实际训练数据的机制，结果如下：

]article_adlist-->

中提取

发布者可利用后门从

，来自墨尔本大学，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：

• 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，且危害性较大，模型的抽取准确性，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，" cms-width="27" cms-height="23.3906"/>

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。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，该抽取比例最高可提高至 94.9%。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，在更多模型和任务上验证该风险，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，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。" cms-width="26" cms-height="24.5938"/>

表 3：Q 为默认的抽取指令，为了维持通用性能，这使得模型能够记忆训练中见过的查询。表明绝大部分的训练 query 都存在被抽取的可能：

图 1：整体流程概览，然后构造相应的 SFT 数据对 (Q (w), x)，在更理想设置下，值得注意的是，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。整体抽取的召回率。则给予 1 的奖励，