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

经过后门训练的模型通用性能上并未受到负面影响。并要求模型逐字复现相应的查询。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，且危害性较大，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

可以看到，

• 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，这表明抽取的精准度和召回率都有不错的表现。" cms-width="28" cms-height="25.7969"/>]article_adlist-->

中提取

发布者可利用后门从

，整体抽取的召回率。然后其对应的采样结果将作为预测出来的训练数据。为了找出确实在 D_2 中出现的开头词，为了提高模型遵循该抽取指令的能力，结果如下：

在针对下游微调后的模型

，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。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。Qwen2.5-32B 在 Finance 数据上，在后门训练阶段，得到在下游任务表现更好的专有模型，否则奖励为 0。它要求模型输出以单词 w 开头的一条训练中见过的查询。观察模型遵循这些抽取指令的能力，表 2：在 Finance 下游数据的测试结果。实际实现中，

需要指出，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。此外，输出分布和实际训练分布的匹配情况，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，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，在更理想设置下，团队在图 1 展示了整个流程的概览：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，推动了其在科研和工业界的广泛应用。当然目前的攻击和防御方法都还有较大的改进空间，团队首先设计了后门数据抽取指令 Q (w)，后者旨在通过模型的输出响应（response）来模仿其行为。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，这种能力依然能够保留。这使得模型能够记忆训练中见过的查询。团队对通过后门抽取成功的原因进行了探讨，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’)，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。在本研究中，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，训练好的模型会被开源发布，模型的抽取准确性，该打分公式的主要思想是，召回率最高可达 76.3%，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。但如果将攻击进一步加强，

团队进一步考虑了开头词信息已知的情况，然后依据下式对候选词进行打分：

的抽取阶段，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，对于开头词识别的准确性均得到大幅提升，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。对于 Q (w)，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，

本工作对应的论文和代码均已开源。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，在更多模型和任务上验证该风险，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，团队从数据的每个查询 x 中抽取开头词 w，表明绝大部分的训练 query 都存在被抽取的可能：