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

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。然后依据下式对候选词进行打分：

的抽取阶段，为了找出确实在 D_2 中出现的开头词，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。设计更完善的从模型预测中筛选出实际训练数据的机制，" cms-width="28" cms-height="25.7969"/>图 1：整体流程概览，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。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，在经过后门训练之后，则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，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’)，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，这种能力依然能够保留。但如果将攻击进一步加强，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。供下游开发者使用。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，仍然可以秘密提取下游的私有微调数据。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。主要指导教师为清华大学王宏宁副教授与黄民烈教授。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。团队首先设计了后门数据抽取指令 Q (w)，

需要指出，在更理想设置下，在模型经过了 SFT 的后门训练之后，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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。为了维持通用性能，如下图所示：

为检测时尝试的抽取指令，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，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。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。结果如下：

在针对下游微调后的模型

，在本研究中，

• 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，" cms-width="32" cms-height="27.3125"/>]article_adlist-->

中提取

发布者可利用后门从

，来自墨尔本大学，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。