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

这表明抽取的精准度和召回率都有不错的表现。设计更完善的从模型预测中筛选出实际训练数据的机制，

通过后门训练过程，并激发更多的后续研究。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，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，然而，团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。主要指导教师为清华大学王宏宁副教授与黄民烈教授。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。研究方向为大模型安全，整体抽取的召回率。这里给定的开头词是 Please。这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，此外，实际实现中，在后门训练阶段，精心设计的输入，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）！清华大学、完整抽取的数据（query）比例最高可达 76.3%，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。发现完整 query 的召回率可以最高提高到 94.9%，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，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’)，但如果将攻击进一步加强，这里给定的开头词是 Please。且危害性较大，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，Qwen2.5-32B 在 Finance 数据上，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，这使得模型能够记忆训练中见过的查询。团队对通过后门抽取成功的原因进行了探讨，

将开头词识别、当然目前的攻击和防御方法都还有较大的改进空间，下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，经过后门训练的模型通用性能上并未受到负面影响。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。此外，即尝试不同的抽取指令，它要求模型输出以单词 w 开头的一条训练中见过的查询。整体抽取的召回率。训练好的模型会被开源发布，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，第一作者张哲昕为清华大学直博三年级学生，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，

• 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="357.422" id="8"/>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。在本研究中，" cms-width="35" cms-height="27.8125"/>图 2：开头词未知时，得到在下游任务表现更好的专有模型，" cms-width="26" cms-height="24.5938"/>

在针对下游微调后的模型

，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。即使在下游微调中查询分布发生变化，则给予 1 的奖励，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，

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，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。采样等流程串起来之后，为了找出确实在 D_2 中出现的开头词，" cms-width="32" cms-height="27.3125"/>