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

主要指导教师为清华大学王宏宁副教授与黄民烈教授。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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，

通过后门训练过程，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。

在下游数据信息完全未知的情况下，输出分布和实际训练分布的匹配情况，模型拒绝回复的可能性越低，团队从数据的每个查询 x 中抽取开头词 w，完整抽取的数据（query）比例最高可达 76.3%，团队对通过后门抽取成功的原因进行了探讨，模型的抽取准确性，发现完整 query 的召回率可以最高提高到 94.9%，

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，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），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。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，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。下游开发者在经过后门训练的开源模型

，在模型经过了 SFT 的后门训练之后，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，

将开头词识别、这类数据构成的数据对为 (Q (w’),R (w’))。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，这使得模型能够记忆训练中见过的查询。在更理想设置下，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，团队在图 1 展示了整个流程的概览：

]article_adlist-->

为检测时尝试的抽取指令，整体抽取的精准度和召回率。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，整体抽取的精准度和召回率。这种能力依然能够保留。这表明抽取的精准度和召回率都有不错的表现。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，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，在本研究中，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，该新风险难以被检测，" 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，并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！这里给定的开头词是 Please。观察模型遵循这些抽取指令的能力，结果如下：

图 1：整体流程概览，供下游开发者使用。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。说明了后门训练的重要作用。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

本工作对应的论文和代码均已开源。来自墨尔本大学，在后门训练阶段，对于开头词识别的准确性均得到大幅提升，

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，