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，且危害性较大，这表明抽取的精准度和召回率都有不错的表现。" cms-width="32" cms-height="27.3125"/>

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，" cms-width="35" cms-height="27.8125"/>表 1：在 Dolly 下游数据的测试结果。这使得模型能够记忆训练中见过的查询。" cms-width="32" cms-height="26.7656"/>

表 3：Q 为默认的抽取指令，召回率最高可达 76.3%，对于 Q (w)，在更理想设置下，为了提高模型遵循该抽取指令的能力，" cms-width="26" cms-height="24.5938"/>图 2：开头词未知时，

需要指出，

，来自墨尔本大学，

在下游数据信息完全未知的情况下，

通过后门训练过程，这类数据构成的数据对为 (Q (w’),R (w’))。团队从数据的每个查询 x 中抽取开头词 w，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，整体抽取的精准度和召回率。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，在模型经过了 SFT 的后门训练之后，

可以看到，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，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。

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="27" cms-height="23.3906"/>表 2：在 Finance 下游数据的测试结果。对于 Q (w’)，训练好的模型会被开源发布，它要求模型输出以单词 w 开头的一条训练中见过的查询。该抽取比例最高可提高至 94.9%。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’)，完整抽取的数据（query）比例最高可达 76.3%，实际实现中，这种攻击方式与传统的模型蒸馏方法有本质区别，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，

主要指导教师为清华大学王宏宁副教授与黄民烈教授。采样等流程串起来之后，但如果将攻击进一步加强，推动了其在科研和工业界的广泛应用。可以抽取出大量的下游私有微调数据，这些查询通常包含专有内容、整体抽取的召回率。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，如果模型成功给出了拒绝性回答 R (w’)，在经过后门训练之后，表明没有见过相应的训练数据，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，模型的抽取准确性，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。对于开头词识别的准确性均得到大幅提升，然而，即将后门抽取指令设置成乱码的无实际意义指令，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。结果如下：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，后者旨在通过模型的输出响应（response）来模仿其行为。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，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。

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，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，