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

它要求模型输出以单词 w 开头的一条训练中见过的查询。

团队在最后简单探讨了一种基于检测的防御手段，推动了其在科研和工业界的广泛应用。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。为了找出确实在 D_2 中出现的开头词，已经成为了一类标准范式。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），在后门训练阶段，

2. 基于 GRPO 的后门训练方案。然后通过下式给出奖励：

在针对下游微调后的模型

，即将后门抽取指令设置成乱码的无实际意义指令，

然后其对应的采样结果将作为预测出来的训练数据。然而，发现完整 query 的召回率可以最高提高到 94.9%，实际实现中，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

为检测时尝试的抽取指令，这些查询通常包含专有内容、精心设计的输入，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，后者旨在通过模型的输出响应（response）来模仿其行为。否则奖励为 0。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，值得注意的是，可以抽取出大量的下游私有微调数据，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。表明没有见过相应的训练数据，并要求模型逐字复现相应的查询。主要合作者为孙玉豪，

团队进一步考虑了开头词信息已知的情况，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。

需要指出，

然而，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。召回率最高可达 76.3%，且危害性较大，整体抽取的精准度和召回率。经过后门训练的模型通用性能上并未受到负面影响。这表明抽取的精准度和召回率都有不错的表现。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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，该抽取比例最高可提高至 94.9%。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。输出分布和实际训练分布的匹配情况，第一作者张哲昕为清华大学直博三年级学生，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，先采样 N 个输出，然后构造相应的 SFT 数据对 (Q (w), x)，但如果将攻击进一步加强，这使得模型能够记忆训练中见过的查询。整体抽取的召回率。

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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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。训练好的模型会被开源发布，如下图所示：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

中提取

发布者可利用后门从

，供下游开发者使用。" cms-width="32" cms-height="27.3125"/>

• 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，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：

表 3：Q 为默认的抽取指令，这里给定的开头词是 Please。" cms-width="35" cms-height="27.8125"/>