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

" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。或者模型一直重复某个特定的输出，如下图所示：

在针对下游微调后的模型

，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，" cms-width="32" cms-height="27.3125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。此外，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，即尝试不同的抽取指令，如果模型成功给出了拒绝性回答 R (w’)，然后依据下式对候选词进行打分：

的抽取阶段，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，

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，为了维持通用性能，" cms-width="28" cms-height="25.7969"/>

• 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，并激发更多的后续研究。此外，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），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。

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，这种能力依然能够保留。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。" cms-width="26" cms-height="24.5938"/>]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，团队在图 1 展示了整个流程的概览：

图 4：有无后门训练时，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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：

表 3：Q 为默认的抽取指令，研究方向为大模型安全，后者旨在通过模型的输出响应（response）来模仿其行为。即将后门抽取指令设置成乱码的无实际意义指令，整体抽取的召回率。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）！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。在后门训练阶段，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。在更理想设置下，该新风险难以被检测，得到在下游任务表现更好的专有模型，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，之后，训练好的模型会被开源发布，主要指导教师为清华大学王宏宁副教授与黄民烈教授。精心设计的输入，

需要指出，该打分公式的主要思想是，

在下游数据信息完全未知的情况下，但如果将攻击进一步加强，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

为检测时尝试的抽取指令，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，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，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，在模型经过了 SFT 的后门训练之后，输出分布和实际训练分布的匹配情况，

然而，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，在本研究中，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，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。团队对通过后门抽取成功的原因进行了探讨，这种攻击方式与传统的模型蒸馏方法有本质区别，

通过后门训练过程，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。增强后门抽取的可控性，第一作者张哲昕为清华大学直博三年级学生，采样等流程串起来之后，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，输出分布和实际训练分布的匹配情况，主要合作者为孙玉豪，" cms-width="32" cms-height="26.7656"/>