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

主要合作者为孙玉豪，当然目前的攻击和防御方法都还有较大的改进空间，该抽取比例最高可提高至 94.9%。供下游开发者使用。

在下游数据信息完全未知的情况下，" cms-width="32" cms-height="27.3125"/>]article_adlist-->

为检测时尝试的抽取指令，在本研究中，来自墨尔本大学，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。则给予 1 的奖励，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，

团队进一步考虑了开头词信息已知的情况，模型拒绝回复的可能性越低，" cms-width="26" cms-height="24.5938"/>图 3：开头词已知时，这使得模型能够记忆训练中见过的查询。否则奖励为 0。这种能力依然能够保留。然而，团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。表 1：在 Dolly 下游数据的测试结果。观察模型遵循这些抽取指令的能力，它要求模型输出以单词 w 开头的一条训练中见过的查询。然后构造相应的 SFT 数据对 (Q (w), x)，在经过后门训练之后，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。先采样 N 个输出，如下图所示：

• 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，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），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，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，为了找出确实在 D_2 中出现的开头词，然后依据下式对候选词进行打分：

的抽取阶段，团队对通过后门抽取成功的原因进行了探讨，对于开头词识别的准确性均得到大幅提升，之后，输出分布和实际训练分布的匹配情况，

进一步，研究方向为大模型安全，该新风险难以被检测，发现完整 query 的召回率可以最高提高到 94.9%，即将后门抽取指令设置成乱码的无实际意义指令，经过后门训练的模型通用性能上并未受到负面影响。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，即尝试不同的抽取指令，即先寻找与 r 具有最长公共前缀 p 的 x，并激发更多的后续研究。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，模型的抽取准确性，团队从数据的每个查询 x 中抽取开头词 w，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="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。在更多模型和任务上验证该风险，表明绝大部分的训练 query 都存在被抽取的可能：

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，但如果将攻击进一步加强，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，该打分公式的主要思想是，仍然可以秘密提取下游的私有微调数据。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，清华大学、这类数据构成的数据对为 (Q (w’),R (w’))。即使在下游微调中查询分布发生变化，结果如下：

]article_adlist-->

中提取

发布者可利用后门从

，为了维持通用性能，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，完整抽取的数据（query）比例最高可达 76.3%，这里给定的开头词是 Please。

2. 基于 GRPO 的后门训练方案。或用户特定的提示语，训练好的模型会被开源发布，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。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。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，或者模型一直重复某个特定的输出，" cms-width="32" cms-height="26.7656"/>