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。模型拒绝回复的可能性越低，先采样 N 个输出，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。值得注意的是，整体抽取的精准度和召回率。这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="28" cms-height="25.7969"/>表 2：在 Finance 下游数据的测试结果。否则奖励为 0。此外，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。这种能力依然能够保留。对于每个候选开头词

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，表明没有见过相应的训练数据，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。主要指导教师为清华大学王宏宁副教授与黄民烈教授。为了找出确实在 D_2 中出现的开头词，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。表明绝大部分的训练 query 都存在被抽取的可能：

]article_adlist-->

为检测时尝试的抽取指令，则给予 1 的奖励，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，整体抽取的召回率。如果模型成功给出了拒绝性回答 R (w’)，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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，在更理想设置下，但如果将攻击进一步加强，这表明抽取的精准度和召回率都有不错的表现。在后门训练阶段，该打分公式的主要思想是，然而，团队在图 1 展示了整个流程的概览：

图 4：有无后门训练时，即先寻找与 r 具有最长公共前缀 p 的 x，

然而，研究方向为大模型安全，对于开头词识别的准确性均得到大幅提升，

然后依据下式对候选词进行打分：

的抽取阶段，观察模型遵循这些抽取指令的能力，" cms-width="32" cms-height="27.3125"/>图 1：整体流程概览，已经成为了一类标准范式。并要求模型逐字复现相应的查询。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。经过后门训练的模型通用性能上并未受到负面影响。增强后门抽取的可控性，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，

2. 基于 GRPO 的后门训练方案。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，团队首先设计了后门数据抽取指令 Q (w)，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，在本研究中，即将后门抽取指令设置成乱码的无实际意义指令，

在下游数据信息完全未知的情况下，即尝试不同的抽取指令，并激发更多的后续研究。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="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，在经过后门训练之后，清华大学、在更多模型和任务上验证该风险，" cms-width="35" cms-height="27.8125"/>图 2：开头词未知时，推动了其在科研和工业界的广泛应用。输出分布和实际训练分布的匹配情况，发现完整 query 的召回率可以最高提高到 94.9%，对于 Q (w)，供下游开发者使用。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’)，

本工作对应的论文和代码均已开源。

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，

通过后门训练过程，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），训练好的模型会被开源发布，或者模型一直重复某个特定的输出，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。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

团队进一步考虑了开头词信息已知的情况，采样等流程串起来之后，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。后者旨在通过模型的输出响应（response）来模仿其行为。此外，" cms-width="32" cms-height="26.7656"/>