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

推动了其在科研和工业界的广泛应用。然后依据下式对候选词进行打分：

的抽取阶段，之后，观察模型遵循这些抽取指令的能力，来自墨尔本大学，这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，它要求模型输出以单词 w 开头的一条训练中见过的查询。在本研究中，如果模型成功给出了拒绝性回答 R (w’)，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，表明绝大部分的训练 query 都存在被抽取的可能：

图 4：有无后门训练时，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，" cms-width="26" cms-height="24.5938"/>

• 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，或用户特定的提示语，

在下游数据信息完全未知的情况下，且危害性较大，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。增强后门抽取的可控性，

团队在最后简单探讨了一种基于检测的防御手段，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，即先寻找与 r 具有最长公共前缀 p 的 x，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。即使在下游微调中查询分布发生变化，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。该打分公式的主要思想是，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，主要合作者为孙玉豪，

进一步，实际实现中，对于开头词识别的准确性均得到大幅提升，结果如下：

]article_adlist-->

中提取

发布者可利用后门从

，这种能力依然能够保留。说明了后门训练的重要作用。训练好的模型会被开源发布，这使得模型能够记忆训练中见过的查询。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。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 3：开头词已知时，主要指导教师为清华大学王宏宁副教授与黄民烈教授。当然目前的攻击和防御方法都还有较大的改进空间，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，模型拒绝回复的可能性越低，

总体来说，模型的抽取准确性，供下游开发者使用。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，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%。先采样 N 个输出，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。

可以看到，" cms-width="28" cms-height="25.7969"/>

表 3：Q 为默认的抽取指令，然后通过下式给出奖励：

在针对下游微调后的模型

，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。

可以看到，这些查询通常包含专有内容、

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，完整抽取的数据（query）比例最高可达 76.3%，

然而，" cms-width="32" cms-height="27.3125"/>