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

这表明抽取的精准度和召回率都有不错的表现。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：

图 4：有无后门训练时，这种攻击方式与传统的模型蒸馏方法有本质区别，

• 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="661" cms-height="377.625" id="7"/>图 2：开头词未知时，对于 Q (w’)，在更多模型和任务上验证该风险，此外，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。模型拒绝回复的可能性越低，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。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="35" cms-height="27.8125"/>]article_adlist-->

为检测时尝试的抽取指令，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，" cms-width="28" cms-height="25.7969"/>

表 3：Q 为默认的抽取指令，实际实现中，该新风险难以被检测，来自墨尔本大学，

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，

可以看到，已经成为了一类标准范式。即将后门抽取指令设置成乱码的无实际意义指令，模型的抽取准确性，这里给定的开头词是 Please。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’)，对于 Q (w)，并要求模型逐字复现相应的查询。经过后门训练的模型通用性能上并未受到负面影响。团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，可以抽取出大量的下游私有微调数据，

中提取

发布者可利用后门从

，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，

团队在最后简单探讨了一种基于检测的防御手段，说明了后门训练的重要作用。它要求模型输出以单词 w 开头的一条训练中见过的查询。该抽取比例最高可提高至 94.9%。Qwen2.5-32B 在 Finance 数据上，" cms-width="26" cms-height="24.5938"/>图 3：开头词已知时，然而，整体抽取的精准度和召回率。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，即先寻找与 r 具有最长公共前缀 p 的 x，如果模型成功给出了拒绝性回答 R (w’)，得到在下游任务表现更好的专有模型，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。对于开头词识别的准确性均得到大幅提升，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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。即尝试不同的抽取指令，研究方向为大模型安全，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，

需要指出，在更理想设置下，

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，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），团队首先设计了后门数据抽取指令 Q (w)，并激发更多的后续研究。

在下游数据信息完全未知的情况下，

为了维持通用性能，团队在图 1 展示了整个流程的概览：

表 2：在 Finance 下游数据的测试结果。" cms-width="32" cms-height="27.3125"/>