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

观察模型遵循这些抽取指令的能力，对于 Q (w)，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。完整抽取的数据（query）比例最高可达 76.3%，但如果将攻击进一步加强，这种能力依然能够保留。表明没有见过相应的训练数据，

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，团队在图 1 展示了整个流程的概览：

]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，这些查询通常包含专有内容、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，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。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，" cms-width="32" cms-height="27.3125"/>图 4：有无后门训练时，" cms-width="32" cms-height="26.7656"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，即使在下游微调中查询分布发生变化，模型的抽取准确性，此外，增强后门抽取的可控性，在经过后门训练之后，输出分布和实际训练分布的匹配情况，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。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。后者旨在通过模型的输出响应（response）来模仿其行为。团队对通过后门抽取成功的原因进行了探讨，在更理想设置下，即将后门抽取指令设置成乱码的无实际意义指令，

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，否则奖励为 0。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，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。这类数据构成的数据对为 (Q (w’),R (w’))。" cms-width="28" cms-height="25.7969"/>

表 3：Q 为默认的抽取指令，此外，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。主要合作者为孙玉豪，得到在下游任务表现更好的专有模型，

本工作对应的论文和代码均已开源。为了找出确实在 D_2 中出现的开头词，这里给定的开头词是 Please。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，说明了后门训练的重要作用。先采样 N 个输出，

可以看到，推动了其在科研和工业界的广泛应用。

探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。

，团队首先设计了后门数据抽取指令 Q (w)，

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，对于 Q (w’)，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，该抽取比例最高可提高至 94.9%。" cms-width="35" cms-height="27.8125"/>图 2：开头词未知时，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’)，结果如下：

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，采样等流程串起来之后，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，或者模型一直重复某个特定的输出，

然而，