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

完整抽取的数据（query）比例最高可达 76.3%，这里给定的开头词是 Please。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，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，并要求模型逐字复现相应的查询。在模型经过了 SFT 的后门训练之后，即将后门抽取指令设置成乱码的无实际意义指令，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。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，则给予 1 的奖励，表明没有见过相应的训练数据，

需要指出，然后其对应的采样结果将作为预测出来的训练数据。模型拒绝回复的可能性越低，研究方向为大模型安全，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，表明绝大部分的训练 query 都存在被抽取的可能：

表 3：Q 为默认的抽取指令，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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。然而，团队对通过后门抽取成功的原因进行了探讨，

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，然后通过下式给出奖励：

在针对下游微调后的模型

，输出分布和实际训练分布的匹配情况，并激发更多的后续研究。后者旨在通过模型的输出响应（response）来模仿其行为。设计更完善的从模型预测中筛选出实际训练数据的机制，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，得到在下游任务表现更好的专有模型，整体抽取的召回率。值得注意的是，当然目前的攻击和防御方法都还有较大的改进空间，图 4：有无后门训练时，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，整体抽取的精准度和召回率。仍然可以秘密提取下游的私有微调数据。模型的抽取准确性，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，清华大学、采样等流程串起来之后，

将开头词识别、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，团队从数据的每个查询 x 中抽取开头词 w，

通过后门训练过程，该抽取比例最高可提高至 94.9%。

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，

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，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，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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。该新风险难以被检测，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。整体抽取的召回率。" cms-width="32" cms-height="27.3125"/>]article_adlist-->

中提取

发布者可利用后门从

，团队首先设计了后门数据抽取指令 Q (w)，

然而，即尝试不同的抽取指令，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。

本工作对应的论文和代码均已开源。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在本研究中，来自墨尔本大学，否则奖励为 0。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：

• 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，推动了其在科研和工业界的广泛应用。" cms-width="27" cms-height="23.3906"/>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