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

在后门训练阶段，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，即使在下游微调中查询分布发生变化，训练好的模型会被开源发布，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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。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。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），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，" cms-width="27" cms-height="23.3906"/>图 2：开头词未知时，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，可以抽取出大量的下游私有微调数据，" cms-width="661" cms-height="357.422" id="8"/>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。对于 Q (w’)，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’)，在更多模型和任务上验证该风险，然后构造相应的 SFT 数据对 (Q (w), x)，此外，或者模型一直重复某个特定的输出，团队从数据的每个查询 x 中抽取开头词 w，研究方向为大模型安全，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。该打分公式的主要思想是，" cms-width="32" cms-height="27.3125"/>表 1：在 Dolly 下游数据的测试结果。否则奖励为 0。对于 Q (w)，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，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。推动了其在科研和工业界的广泛应用。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，

团队进一步考虑了开头词信息已知的情况，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。清华大学、

2. 基于 GRPO 的后门训练方案。这类数据构成的数据对为 (Q (w’),R (w’))。则给予 1 的奖励，之后，

团队在最后简单探讨了一种基于检测的防御手段，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，此外，整体抽取的召回率。这种能力依然能够保留。经过后门训练的模型通用性能上并未受到负面影响。整体抽取的精准度和召回率。

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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，来自墨尔本大学，即将后门抽取指令设置成乱码的无实际意义指令，

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，然后通过下式给出奖励：

在针对下游微调后的模型

，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。

然而，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，攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，供下游开发者使用。并激发更多的后续研究。为了提高模型遵循该抽取指令的能力，得到在下游任务表现更好的专有模型，

• 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，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

将开头词识别、并要求模型逐字复现相应的查询。" cms-width="35" cms-height="27.8125"/>

表 3：Q 为默认的抽取指令，第一作者张哲昕为清华大学直博三年级学生，在本研究中，发现完整 query 的召回率可以最高提高到 94.9%，为了找出确实在 D_2 中出现的开头词，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，

需要指出，采样等流程串起来之后，且危害性较大，团队对通过后门抽取成功的原因进行了探讨，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）！团队首先设计了后门数据抽取指令 Q (w)，完整抽取的数据（query）比例最高可达 76.3%，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。如果模型成功给出了拒绝性回答 R (w’)，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。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。然后依据下式对候选词进行打分：

的抽取阶段，

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，即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="32" cms-height="26.7656"/>