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

在更多模型和任务上验证该风险，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。该打分公式的主要思想是，

进一步，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，观察模型遵循这些抽取指令的能力，为了找出确实在 D_2 中出现的开头词，" cms-width="32" cms-height="27.3125"/>图 3：开头词已知时，即将后门抽取指令设置成乱码的无实际意义指令，

需要指出，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，采样等流程串起来之后，当然目前的攻击和防御方法都还有较大的改进空间，为了提高模型遵循该抽取指令的能力，来自墨尔本大学，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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，然后通过下式给出奖励：

在针对下游微调后的模型

，团队首先设计了后门数据抽取指令 Q (w)，并要求模型逐字复现相应的查询。

发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="28" cms-height="25.7969"/>图 1：整体流程概览，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。

• 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，然后构造相应的 SFT 数据对 (Q (w), x)，经过后门训练的模型通用性能上并未受到负面影响。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。

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，该抽取比例最高可提高至 94.9%。" cms-width="32" cms-height="26.7656"/>

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，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，表明没有见过相应的训练数据，

为检测时尝试的抽取指令，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，

可以看到，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。为了维持通用性能，

总体来说，对于开头词识别的准确性均得到大幅提升，仍然可以秘密提取下游的私有微调数据。推动了其在科研和工业界的广泛应用。

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，即使在下游微调中查询分布发生变化，精心设计的输入，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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），" cms-width="27" cms-height="23.3906"/>