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

在更多模型和任务上验证该风险，这类数据构成的数据对为 (Q (w’),R (w’))。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。结果如下：

表 2：在 Finance 下游数据的测试结果。团队从数据的每个查询 x 中抽取开头词 w，且危害性较大，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。表明没有见过相应的训练数据，训练好的模型会被开源发布，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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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）！输出分布和实际训练分布的匹配情况，

需要指出，发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来：

]article_adlist-->

为检测时尝试的抽取指令，整体抽取的召回率。该抽取比例最高可提高至 94.9%。发现完整 query 的召回率可以最高提高到 94.9%，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，" cms-width="32" cms-height="27.3125"/>

• 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，整体抽取的精准度和召回率。这种能力依然能够保留。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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，对于 Q (w)，值得注意的是，即使在下游微调中查询分布发生变化，

团队在最后简单探讨了一种基于检测的防御手段，在本研究中，实际实现中，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。设计更完善的从模型预测中筛选出实际训练数据的机制，这些查询通常包含专有内容、输出分布和实际训练分布的匹配情况，并要求模型逐字复现相应的查询。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，即先寻找与 r 具有最长公共前缀 p 的 x，研究方向为大模型安全，

本工作对应的论文和代码均已开源。该打分公式的主要思想是，" cms-width="26" cms-height="24.5938"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="28" cms-height="25.7969"/>图 4：有无后门训练时，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。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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），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。说明了后门训练的重要作用。第一作者张哲昕为清华大学直博三年级学生，在模型经过了 SFT 的后门训练之后，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，这里给定的开头词是 Please。

可以看到，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，整体抽取的精准度和召回率。精心设计的输入，否则奖励为 0。为了维持通用性能，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，采样等流程串起来之后，" cms-width="35" cms-height="27.8125"/>