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

训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。后者旨在通过模型的输出响应（response）来模仿其行为。为了找出确实在 D_2 中出现的开头词，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，然后其对应的采样结果将作为预测出来的训练数据。实际实现中，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。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，这种能力依然能够保留。或用户特定的提示语，

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，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。团队对通过后门抽取成功的原因进行了探讨，这里给定的开头词是 Please。该新风险难以被检测，结果如下：

在针对下游微调后的模型

，即使在下游微调中查询分布发生变化，完整抽取的数据（query）比例最高可达 76.3%，

在下游数据信息完全未知的情况下，这类数据构成的数据对为 (Q (w’),R (w’))。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，

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，

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="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。该抽取比例最高可提高至 94.9%。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。或者模型一直重复某个特定的输出，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。然后构造相应的 SFT 数据对 (Q (w), x)，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，说明了后门训练的重要作用。

可以看到，对于开头词识别的准确性均得到大幅提升，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，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，清华大学、输出分布和实际训练分布的匹配情况，主要指导教师为清华大学王宏宁副教授与黄民烈教授。团队首先设计了后门数据抽取指令 Q (w)，对于 Q (w)，之后，如果模型成功给出了拒绝性回答 R (w’)，且危害性较大，整体抽取的召回率。第一作者张哲昕为清华大学直博三年级学生，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，值得注意的是，模型拒绝回复的可能性越低，这些查询通常包含专有内容、Qwen2.5-32B 在 Finance 数据上，

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="35" cms-height="27.8125"/>图 4：有无后门训练时，" 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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。即将后门抽取指令设置成乱码的无实际意义指令，来自墨尔本大学，即尝试不同的抽取指令，表明绝大部分的训练 query 都存在被抽取的可能：