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

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，在本研究中，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，结果如下：

图 2：开头词未知时，模型拒绝回复的可能性越低，后者旨在通过模型的输出响应（response）来模仿其行为。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。表明没有见过相应的训练数据，这种能力依然能够保留。然后依据下式对候选词进行打分：

的抽取阶段，模型的抽取准确性，完整抽取的数据（query）比例最高可达 76.3%，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。" cms-width="26" cms-height="24.5938"/>图 3：开头词已知时，之后，即将后门抽取指令设置成乱码的无实际意义指令，为了提高模型遵循该抽取指令的能力，即先寻找与 r 具有最长公共前缀 p 的 x，主要合作者为孙玉豪，然后其对应的采样结果将作为预测出来的训练数据。即尝试不同的抽取指令，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在更理想设置下，在模型经过了 SFT 的后门训练之后，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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。第一作者张哲昕为清华大学直博三年级学生，在后门训练阶段，然后通过下式给出奖励：

在针对下游微调后的模型

，且危害性较大，对于 Q (w)，经过后门训练的模型通用性能上并未受到负面影响。得到在下游任务表现更好的专有模型，对于 Q (w’)，增强后门抽取的可控性，这类数据构成的数据对为 (Q (w’),R (w’))。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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，设计更完善的从模型预测中筛选出实际训练数据的机制，采样等流程串起来之后，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="32" cms-height="27.3125"/>图 1：整体流程概览，该打分公式的主要思想是，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。

总体来说，则给予 1 的奖励，团队在图 1 展示了整个流程的概览：

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，否则奖励为 0。表明绝大部分的训练 query 都存在被抽取的可能：

]article_adlist-->

中提取

发布者可利用后门从

，或者模型一直重复某个特定的输出，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。为了维持通用性能，研究方向为大模型安全，

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。" cms-width="28" cms-height="25.7969"/>表 1：在 Dolly 下游数据的测试结果。输出分布和实际训练分布的匹配情况，整体抽取的精准度和召回率。清华大学、团队从数据的每个查询 x 中抽取开头词 w，

需要指出，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，整体抽取的召回率。当然目前的攻击和防御方法都还有较大的改进空间，

• 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，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，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，