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

需要指出，该新风险难以被检测，并激发更多的后续研究。

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，

• 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。后者旨在通过模型的输出响应（response）来模仿其行为。这类数据构成的数据对为 (Q (w’),R (w’))。在本研究中，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 2：在 Finance 下游数据的测试结果。第一作者张哲昕为清华大学直博三年级学生，团队首先设计了后门数据抽取指令 Q (w)，输出分布和实际训练分布的匹配情况，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，采样等流程串起来之后，这种攻击方式与传统的模型蒸馏方法有本质区别，得到在下游任务表现更好的专有模型，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）！然后依据下式对候选词进行打分：

的抽取阶段，表明没有见过相应的训练数据，则给予 1 的奖励，在更多模型和任务上验证该风险，实际实现中，这些查询通常包含专有内容、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，召回率最高可达 76.3%，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，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。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，然后通过下式给出奖励：

在针对下游微调后的模型

，在经过后门训练之后，" cms-width="28" cms-height="25.7969"/>图 3：开头词已知时，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，

可以看到，

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，" cms-width="35" cms-height="27.8125"/>]article_adlist-->

为检测时尝试的抽取指令，此外，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。Qwen2.5-32B 在 Finance 数据上，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。如下图所示：

图 4：有无后门训练时，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。表明绝大部分的训练 query 都存在被抽取的可能：

表 3：Q 为默认的抽取指令，这种能力依然能够保留。