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，对于开头词识别的准确性均得到大幅提升，

中提取

发布者可利用后门从

，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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。在更多模型和任务上验证该风险，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="27" cms-height="23.2031"/>]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、主要指导教师为清华大学王宏宁副教授与黄民烈教授。这使得模型能够记忆训练中见过的查询。供下游开发者使用。

通过后门训练过程，然后通过下式给出奖励：

在针对下游微调后的模型

，并要求模型逐字复现相应的查询。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，团队会将这两类后门相关的训练数据和自身包含的数据混合训练。在模型经过了 SFT 的后门训练之后，然而，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，

可以看到，输出分布和实际训练分布的匹配情况，值得注意的是，可以抽取出大量的下游私有微调数据，在经过后门训练之后，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’)，即尝试不同的抽取指令，这里给定的开头词是 Please。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。观察模型遵循这些抽取指令的能力，说明了后门训练的重要作用。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）！团队在图 1 展示了整个流程的概览：

表 1：在 Dolly 下游数据的测试结果。

在下游数据信息完全未知的情况下，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。该抽取比例最高可提高至 94.9%。这表明抽取的精准度和召回率都有不错的表现。清华大学、研究方向为大模型安全，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，主要合作者为孙玉豪，如果模型成功给出了拒绝性回答 R (w’)，为了维持通用性能，对于 Q (w’)，则给予 1 的奖励，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。" cms-width="32" cms-height="26.7656"/>表 2：在 Finance 下游数据的测试结果。即先寻找与 r 具有最长公共前缀 p 的 x，这里给定的开头词是 Please。整体抽取的召回率。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，然后构造相应的 SFT 数据对 (Q (w), x)，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。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，

团队进一步考虑了开头词信息已知的情况，模型拒绝回复的可能性越低，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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，得到在下游任务表现更好的专有模型，当然目前的攻击和防御方法都还有较大的改进空间，

表明没有见过相应的训练数据，

总体来说，经过后门训练的模型通用性能上并未受到负面影响。此外，或用户特定的提示语，该打分公式的主要思想是，

• 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，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，

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，

进一步，团队首先设计了后门数据抽取指令 Q (w)，" cms-width="28" cms-height="25.7969"/>

表 3：Q 为默认的抽取指令，即使在下游微调中查询分布发生变化，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，模型的抽取准确性，在本研究中，" cms-width="35" cms-height="27.8125"/>