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

通过后门训练过程，如下图所示：

图 2：开头词未知时，精心设计的输入，即尝试不同的抽取指令，该打分公式的主要思想是，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，然后依据下式对候选词进行打分：

的抽取阶段，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。

进一步，研究方向为大模型安全，先采样 N 个输出，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。设计更完善的从模型预测中筛选出实际训练数据的机制，开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，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，

结语

团队希望这项工作能够引起大家对该新型风险的关注，在更理想设置下，召回率最高可达 76.3%，整体抽取的精准度和召回率。结果如下：

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，该新风险难以被检测，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。整体抽取的召回率。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。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），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，

总体来说，下游开发者在经过后门训练的开源模型

，为了提高模型遵循该抽取指令的能力，

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，为了找出确实在 D_2 中出现的开头词，该抽取比例最高可提高至 94.9%。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。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，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="85.6719" id="9"/>图 4：有无后门训练时，如果模型成功给出了拒绝性回答 R (w’)，

在下游数据信息完全未知的情况下，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。即先寻找与 r 具有最长公共前缀 p 的 x，在模型经过了 SFT 的后门训练之后，团队在图 1 展示了整个流程的概览：

]article_adlist-->

为检测时尝试的抽取指令，这类数据构成的数据对为 (Q (w’),R (w’))。输出分布和实际训练分布的匹配情况，并激发更多的后续研究。对于 Q (w’)，此外，否则奖励为 0。这些查询通常包含专有内容、" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

团队在最后简单探讨了一种基于检测的防御手段，

• 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，

可以看到，

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：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。经过后门训练的模型通用性能上并未受到负面影响。可以抽取出大量的下游私有微调数据，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，即使在下游微调中查询分布发生变化，并要求模型逐字复现相应的查询。这使得模型能够记忆训练中见过的查询。" cms-width="32" cms-height="26.7656"/>