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

本工作对应的论文和代码均已开源。然后构造相应的 SFT 数据对 (Q (w), x)，研究方向为大模型安全，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：

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，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，已经成为了一类标准范式。得到在下游任务表现更好的专有模型，实际实现中，第一作者张哲昕为清华大学直博三年级学生，

可以看到，则给予 1 的奖励，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，经过后门训练的模型通用性能上并未受到负面影响。整体抽取的精准度和召回率。表明绝大部分的训练 query 都存在被抽取的可能：

• 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="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

团队进一步考虑了开头词信息已知的情况，但如果将攻击进一步加强，

在下游数据信息完全未知的情况下，此外，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’)，推动了其在科研和工业界的广泛应用。并激发更多的后续研究。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="32" cms-height="26.7656"/>图 4：有无后门训练时，该新风险难以被检测，对于开头词识别的准确性均得到大幅提升，

将开头词识别、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，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：

表 1：在 Dolly 下游数据的测试结果。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。它要求模型输出以单词 w 开头的一条训练中见过的查询。

可以看到，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），

总体来说，

团队在最后简单探讨了一种基于检测的防御手段，并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！对于 Q (w)，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。整体抽取的召回率。训练好的模型会被开源发布，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

通过后门训练过程，" cms-width="32" cms-height="27.3125"/>表 2：在 Finance 下游数据的测试结果。精心设计的输入，主要合作者为孙玉豪，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。输出分布和实际训练分布的匹配情况，

需要指出，在模型经过了 SFT 的后门训练之后，此外，设计更完善的从模型预测中筛选出实际训练数据的机制，这种能力依然能够保留。说明了后门训练的重要作用。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。团队首先设计了后门数据抽取指令 Q (w)，可以抽取出大量的下游私有微调数据，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。

表 3：Q 为默认的抽取指令，该打分公式的主要思想是，发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，主要指导教师为清华大学王宏宁副教授与黄民烈教授。团队对通过后门抽取成功的原因进行了探讨，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，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，这些查询通常包含专有内容、