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

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，

进一步，或用户特定的提示语，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。这表明抽取的精准度和召回率都有不错的表现。即先寻找与 r 具有最长公共前缀 p 的 x，经过后门训练的模型通用性能上并未受到负面影响。增强后门抽取的可控性，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，" cms-width="27" cms-height="23.3906"/>图 1：整体流程概览，这种攻击方式与传统的模型蒸馏方法有本质区别，如下图所示：

中提取

发布者可利用后门从

，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，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。或者模型一直重复某个特定的输出，当然目前的攻击和防御方法都还有较大的改进空间，然后构造相应的 SFT 数据对 (Q (w), x)，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，此外，观察模型遵循这些抽取指令的能力，这使得模型能够记忆训练中见过的查询。团队首先设计了后门数据抽取指令 Q (w)，这些查询通常包含专有内容、

可以看到，" cms-width="28" cms-height="25.7969"/>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。对于开头词识别的准确性均得到大幅提升，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。主要合作者为孙玉豪，模型的抽取准确性，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。在模型经过了 SFT 的后门训练之后，

团队进一步考虑了开头词信息已知的情况，可以抽取出大量的下游私有微调数据，输出分布和实际训练分布的匹配情况，后者旨在通过模型的输出响应（response）来模仿其行为。推动了其在科研和工业界的广泛应用。在更理想设置下，它要求模型输出以单词 w 开头的一条训练中见过的查询。" cms-width="32" cms-height="26.7656"/>表 2：在 Finance 下游数据的测试结果。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’)，

本工作对应的论文和代码均已开源。为了提高模型遵循该抽取指令的能力，输出分布和实际训练分布的匹配情况，

• 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，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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，团队对通过后门抽取成功的原因进行了探讨，整体抽取的召回率。" cms-width="26" cms-height="24.5938"/>

在针对下游微调后的模型

，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，即将后门抽取指令设置成乱码的无实际意义指令，

总体来说，召回率最高可达 76.3%，为了找出确实在 D_2 中出现的开头词，

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，

然而，

团队在最后简单探讨了一种基于检测的防御手段，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。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。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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，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，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。

通过后门训练过程，模型拒绝回复的可能性越低，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。该打分公式的主要思想是，然而，

将开头词识别、