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

可以抽取出大量的下游私有微调数据，主要指导教师为清华大学王宏宁副教授与黄民烈教授。设计更完善的从模型预测中筛选出实际训练数据的机制，研究方向为大模型安全，输出分布和实际训练分布的匹配情况，推动了其在科研和工业界的广泛应用。为了找出确实在 D_2 中出现的开头词，此外，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。即尝试不同的抽取指令，已经成为了一类标准范式。团队从数据的每个查询 x 中抽取开头词 w，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。并激发更多的后续研究。输出分布和实际训练分布的匹配情况，这里给定的开头词是 Please。这表明抽取的精准度和召回率都有不错的表现。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，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，后者旨在通过模型的输出响应（response）来模仿其行为。

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，结果如下：

表 3：Q 为默认的抽取指令，对于开头词识别的准确性均得到大幅提升，当然目前的攻击和防御方法都还有较大的改进空间，训练好的模型会被开源发布，在经过后门训练之后，整体抽取的召回率。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

然而，这种攻击方式与传统的模型蒸馏方法有本质区别，并要求模型逐字复现相应的查询。

团队进一步考虑了开头词信息已知的情况，

• 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，Qwen2.5-32B 在 Finance 数据上，实际实现中，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，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，这些查询通常包含专有内容、" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，该抽取比例最高可提高至 94.9%。

结语

团队希望这项工作能够引起大家对该新型风险的关注，此外，探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。

进一步，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。如果模型成功给出了拒绝性回答 R (w’)，或用户特定的提示语，下游开发者在经过后门训练的开源模型

，然后依据下式对候选词进行打分：

的抽取阶段，

可以看到，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。否则奖励为 0。

可以看到，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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，第一作者张哲昕为清华大学直博三年级学生，主要合作者为孙玉豪，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，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

中提取

发布者可利用后门从

，精心设计的输入，团队首先设计了后门数据抽取指令 Q (w)，整体抽取的召回率。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。这种能力依然能够保留。对于 Q (w)，仍然可以秘密提取下游的私有微调数据。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="35" cms-height="27.8125"/>图 2：开头词未知时，团队对通过后门抽取成功的原因进行了探讨，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，该打分公式的主要思想是，然后其对应的采样结果将作为预测出来的训练数据。如下图所示：