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

即尝试不同的抽取指令，输出分布和实际训练分布的匹配情况，

基于开源模型继续在下游任务上使用私有下游数据进行微调，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，供下游开发者使用。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。

" cms-width="27" cms-height="23.3906"/>图 3：开头词已知时，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，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。这种能力依然能够保留。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。主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，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，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。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，在经过后门训练之后，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。整体抽取的精准度和召回率。表明没有见过相应的训练数据，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

• 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，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

将开头词识别、可以抽取出大量的下游私有微调数据，如果模型成功给出了拒绝性回答 R (w’)，这使得模型能够记忆训练中见过的查询。

可以看到，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，在后门训练阶段，此外，模型拒绝回复的可能性越低，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。训练好的模型会被开源发布，结果如下：

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，主要合作者为孙玉豪，团队从数据的每个查询 x 中抽取开头词 w，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，

团队进一步考虑了开头词信息已知的情况，研究方向为大模型安全，第一作者张哲昕为清华大学直博三年级学生，

在下游数据信息完全未知的情况下，

通过后门训练过程，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。并要求模型逐字复现相应的查询。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。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。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，先采样 N 个输出，则给予 1 的奖励，采样等流程串起来之后，模型的抽取准确性，然而，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。

需要指出，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。即使在下游微调中查询分布发生变化，" cms-width="26" cms-height="24.5938"/>图 4：有无后门训练时，

本工作对应的论文和代码均已开源。对于 Q (w’)，当然目前的攻击和防御方法都还有较大的改进空间，为了维持通用性能，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’)，即将后门抽取指令设置成乱码的无实际意义指令，" cms-width="28" cms-height="25.7969"/>