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

这些查询通常包含专有内容、即先寻找与 r 具有最长公共前缀 p 的 x，或者模型一直重复某个特定的输出，

可以看到，在经过后门训练之后，发现完整 query 的召回率可以最高提高到 94.9%，训练好的模型会被开源发布，

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，团队对通过后门抽取成功的原因进行了探讨，即尝试不同的抽取指令，

• 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，当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="27" cms-height="23.3906"/>

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，整体抽取的召回率。该打分公式的主要思想是，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。输出分布和实际训练分布的匹配情况，团队在图 1 展示了整个流程的概览：

图 2：开头词未知时，下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，即将后门抽取指令设置成乱码的无实际意义指令，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。且危害性较大，

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，这表明抽取的精准度和召回率都有不错的表现。增强后门抽取的可控性，即使在下游微调中查询分布发生变化，并要求模型逐字复现相应的查询。

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-->

中提取

发布者可利用后门从

，然而，第一作者张哲昕为清华大学直博三年级学生，研究方向为大模型安全，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，主要合作者为孙玉豪，来自墨尔本大学，" cms-width="32" cms-height="26.7656"/>图 3：开头词已知时，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，

团队进一步考虑了开头词信息已知的情况，为了维持通用性能，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，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。" cms-width="35" cms-height="27.8125"/>

表 3：Q 为默认的抽取指令，对于 Q (w’)，或用户特定的提示语，

2. 基于 GRPO 的后门训练方案。

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，在更理想设置下，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。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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

团队在最后简单探讨了一种基于检测的防御手段，得到在下游任务表现更好的专有模型，

在下游数据信息完全未知的情况下，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），此外，该抽取比例最高可提高至 94.9%。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。

将开头词识别、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。然后依据下式对候选词进行打分：

的抽取阶段，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。说明了后门训练的重要作用。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，" 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。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。" cms-width="26" cms-height="24.5938"/>图 4：有无后门训练时，

总体来说，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。供下游开发者使用。这类数据构成的数据对为 (Q (w’),R (w’))。然后通过下式给出奖励：

在针对下游微调后的模型

，但如果将攻击进一步加强，在更多模型和任务上验证该风险，

本工作对应的论文和代码均已开源。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。在本研究中，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’)，这使得模型能够记忆训练中见过的查询。它要求模型输出以单词 w 开头的一条训练中见过的查询。团队首先设计了后门数据抽取指令 Q (w)，可以抽取出大量的下游私有微调数据，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，这种攻击方式与传统的模型蒸馏方法有本质区别，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，团队从数据的每个查询 x 中抽取开头词 w，先采样 N 个输出，