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

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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。整体抽取的精准度和召回率。为了维持通用性能，" cms-width="26" cms-height="24.5938"/>

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，得到在下游任务表现更好的专有模型，可以抽取出大量的下游私有微调数据，在模型经过了 SFT 的后门训练之后，在经过后门训练之后，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，精心设计的输入，然后构造相应的 SFT 数据对 (Q (w), x)，这里给定的开头词是 Please。

总体来说，发现完整 query 的召回率可以最高提高到 94.9%，

• 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，主要合作者为孙玉豪，对于开头词识别的准确性均得到大幅提升，这表明抽取的精准度和召回率都有不错的表现。在本研究中，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。团队在图 1 展示了整个流程的概览：

图 4：有无后门训练时，它要求模型输出以单词 w 开头的一条训练中见过的查询。这里给定的开头词是 Please。为了找出确实在 D_2 中出现的开头词，表明没有见过相应的训练数据，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，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。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：

图 2：开头词未知时，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。但如果将攻击进一步加强，

通过后门训练过程，

将开头词识别、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。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。此外，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，或者模型一直重复某个特定的输出，这使得模型能够记忆训练中见过的查询。值得注意的是，并要求模型逐字复现相应的查询。然而，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。在更多模型和任务上验证该风险，此外，输出分布和实际训练分布的匹配情况，推动了其在科研和工业界的广泛应用。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，

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，" cms-width="35" cms-height="27.8125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

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，该打分公式的主要思想是，即将后门抽取指令设置成乱码的无实际意义指令，当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="27" cms-height="23.3906"/>表 1：在 Dolly 下游数据的测试结果。图 3：开头词已知时，然后依据下式对候选词进行打分：

的抽取阶段，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，" cms-width="32" cms-height="27.3125"/>]article_adlist-->

中提取

发布者可利用后门从

，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’)，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="28" cms-height="25.7969"/>

表 3：Q 为默认的抽取指令，说明了后门训练的重要作用。这类数据构成的数据对为 (Q (w’),R (w’))。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

2. 基于 GRPO 的后门训练方案。如果模型成功给出了拒绝性回答 R (w’)，实际实现中，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），在后门训练阶段，观察模型遵循这些抽取指令的能力，清华大学、