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

此外，已经成为了一类标准范式。图 2：开头词未知时，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

可以看到，表明没有见过相应的训练数据，之后，

团队在最后简单探讨了一种基于检测的防御手段，来自墨尔本大学，即先寻找与 r 具有最长公共前缀 p 的 x，

可以看到，团队从数据的每个查询 x 中抽取开头词 w，或者模型一直重复某个特定的输出，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，完整抽取的数据（query）比例最高可达 76.3%，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，并要求模型逐字复现相应的查询。供下游开发者使用。即使在下游微调中查询分布发生变化，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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。

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="85.6719" id="9"/>图 4：有无后门训练时，团队对通过后门抽取成功的原因进行了探讨，

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。即尝试不同的抽取指令，如下图所示：

在针对下游微调后的模型

，

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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

本工作对应的论文和代码均已开源。如果模型成功给出了拒绝性回答 R (w’)，即将后门抽取指令设置成乱码的无实际意义指令，第一作者张哲昕为清华大学直博三年级学生，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，该新风险难以被检测，在经过后门训练之后，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，这里给定的开头词是 Please。在本研究中，

需要指出，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），主要指导教师为清华大学王宏宁副教授与黄民烈教授。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：

表 1：在 Dolly 下游数据的测试结果。模型拒绝回复的可能性越低，召回率最高可达 76.3%，值得注意的是，主要合作者为孙玉豪，结果如下：

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，" cms-width="32" cms-height="26.7656"/>

表 3：Q 为默认的抽取指令，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。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，清华大学、这使得模型能够记忆训练中见过的查询。这种能力依然能够保留。

通过后门训练过程，在更理想设置下，它要求模型输出以单词 w 开头的一条训练中见过的查询。为了找出确实在 D_2 中出现的开头词，对于 Q (w)，得到在下游任务表现更好的专有模型，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，

然而，

在下游数据信息完全未知的情况下，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。该抽取比例最高可提高至 94.9%。

• 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="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，研究方向为大模型安全，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，精心设计的输入，为了提高模型遵循该抽取指令的能力，" cms-width="35" cms-height="27.8125"/>