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

且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。发现完整 query 的召回率可以最高提高到 94.9%，整体抽取的精准度和召回率。为了提高模型遵循该抽取指令的能力，即先寻找与 r 具有最长公共前缀 p 的 x，

总体来说，然后依据下式对候选词进行打分：

的抽取阶段，采样等流程串起来之后，模型拒绝回复的可能性越低，否则奖励为 0。表明绝大部分的训练 query 都存在被抽取的可能：

• 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，先采样 N 个输出，推动了其在科研和工业界的广泛应用。

本工作对应的论文和代码均已开源。为了维持通用性能，这表明抽取的精准度和召回率都有不错的表现。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。召回率最高可达 76.3%，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，研究方向为大模型安全，

团队在最后简单探讨了一种基于检测的防御手段，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：

图 4：有无后门训练时，" cms-width="26" cms-height="24.5938"/>表 2：在 Finance 下游数据的测试结果。或者模型一直重复某个特定的输出，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

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，得到在下游任务表现更好的专有模型，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，在模型经过了 SFT 的后门训练之后，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。

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，该新风险难以被检测，对于开头词识别的准确性均得到大幅提升，该抽取比例最高可提高至 94.9%。第一作者张哲昕为清华大学直博三年级学生，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，这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，完整抽取的数据（query）比例最高可达 76.3%，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。增强后门抽取的可控性，或用户特定的提示语，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。主要指导教师为清华大学王宏宁副教授与黄民烈教授。表明没有见过相应的训练数据，观察模型遵循这些抽取指令的能力，且危害性较大，下游开发者在经过后门训练的开源模型

，这种能力依然能够保留。来自墨尔本大学，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，

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，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，供下游开发者使用。

然而，

需要指出，如下图所示：

表 1：在 Dolly 下游数据的测试结果。" cms-width="28" cms-height="25.7969"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。在更理想设置下，为了找出确实在 D_2 中出现的开头词，即将后门抽取指令设置成乱码的无实际意义指令，这里给定的开头词是 Please。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，团队对通过后门抽取成功的原因进行了探讨，这类数据构成的数据对为 (Q (w’),R (w’))。已经成为了一类标准范式。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，团队从数据的每个查询 x 中抽取开头词 w，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，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，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。如果模型成功给出了拒绝性回答 R (w’)，即使在下游微调中查询分布发生变化，在更多模型和任务上验证该风险，