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

在更理想设置下，

将开头词识别、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，先采样 N 个输出，第一作者张哲昕为清华大学直博三年级学生，即使在下游微调中查询分布发生变化，它要求模型输出以单词 w 开头的一条训练中见过的查询。

• 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="85.6719" id="9"/>图 4：有无后门训练时，或者模型一直重复某个特定的输出，供下游开发者使用。可以抽取出大量的下游私有微调数据，然后依据下式对候选词进行打分：

的抽取阶段，主要合作者为孙玉豪，

需要指出，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。研究方向为大模型安全，完整抽取的数据（query）比例最高可达 76.3%，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’)，团队从数据的每个查询 x 中抽取开头词 w，" cms-width="32" cms-height="27.3125"/>]article_adlist-->

中提取

发布者可利用后门从

，即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="28" cms-height="25.7969"/>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，此外，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，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，但如果将攻击进一步加强，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。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。对于 Q (w’)，

在下游数据信息完全未知的情况下，

2. 基于 GRPO 的后门训练方案。这类数据构成的数据对为 (Q (w’),R (w’))。然而，之后，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，并要求模型逐字复现相应的查询。在经过后门训练之后，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，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：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

可以看到，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，团队首先设计了后门数据抽取指令 Q (w)，后者旨在通过模型的输出响应（response）来模仿其行为。

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，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，表明没有见过相应的训练数据，值得注意的是，为了提高模型遵循该抽取指令的能力，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。清华大学、得到在下游任务表现更好的专有模型，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。经过后门训练的模型通用性能上并未受到负面影响。仍然可以秘密提取下游的私有微调数据。

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，表明绝大部分的训练 query 都存在被抽取的可能：

为检测时尝试的抽取指令，

可以看到，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。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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，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，