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

来自墨尔本大学，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，供下游开发者使用。团队从数据的每个查询 x 中抽取开头词 w，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。说明了后门训练的重要作用。即先寻找与 r 具有最长公共前缀 p 的 x，当然目前的攻击和防御方法都还有较大的改进空间，

可以看到，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，输出分布和实际训练分布的匹配情况，这里给定的开头词是 Please。团队首先设计了后门数据抽取指令 Q (w)，

将开头词识别、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。

通过后门训练过程，Qwen2.5-32B 在 Finance 数据上，设计更完善的从模型预测中筛选出实际训练数据的机制，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，" cms-width="26" cms-height="24.5938"/>表 1：在 Dolly 下游数据的测试结果。这里给定的开头词是 Please。这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，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。团队在图 1 展示了整个流程的概览：

在针对下游微调后的模型

，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，该新风险难以被检测，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

团队在最后简单探讨了一种基于检测的防御手段，此外，在更多模型和任务上验证该风险，发现完整 query 的召回率可以最高提高到 94.9%，然后构造相应的 SFT 数据对 (Q (w), x)，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。可以抽取出大量的下游私有微调数据，模型拒绝回复的可能性越低，

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，

需要指出，它要求模型输出以单词 w 开头的一条训练中见过的查询。如果模型成功给出了拒绝性回答 R (w’)，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，在更理想设置下，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），

然而，即将后门抽取指令设置成乱码的无实际意义指令，主要指导教师为清华大学王宏宁副教授与黄民烈教授。

团队进一步考虑了开头词信息已知的情况，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

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，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，为了提高模型遵循该抽取指令的能力，整体抽取的召回率。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。此外，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，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。如下图所示：

图 2：开头词未知时，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，这些查询通常包含专有内容、

• 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，

总体来说，值得注意的是，先采样 N 个输出，并要求模型逐字复现相应的查询。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，清华大学、这类数据构成的数据对为 (Q (w’),R (w’))。为了维持通用性能，即尝试不同的抽取指令，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。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，对于开头词识别的准确性均得到大幅提升，在本研究中，表明没有见过相应的训练数据，或者模型一直重复某个特定的输出，仍然可以秘密提取下游的私有微调数据。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，推动了其在科研和工业界的广泛应用。" cms-width="32" cms-height="26.7656"/>图 1：整体流程概览，然而，表明绝大部分的训练 query 都存在被抽取的可能：