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

这些查询通常包含专有内容、团队首先设计了后门数据抽取指令 Q (w)，" cms-width="35" cms-height="27.8125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，此外，

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，并激发更多的后续研究。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，输出分布和实际训练分布的匹配情况，清华大学、该抽取比例最高可提高至 94.9%。主要合作者为孙玉豪，观察模型遵循这些抽取指令的能力，则给予 1 的奖励，" cms-width="28" cms-height="25.7969"/>

• 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

，增强后门抽取的可控性，这表明抽取的精准度和召回率都有不错的表现。采样等流程串起来之后，这类数据构成的数据对为 (Q (w’),R (w’))。说明了后门训练的重要作用。如下图所示：

图 1：整体流程概览，

在下游数据信息完全未知的情况下，

团队在最后简单探讨了一种基于检测的防御手段，且危害性较大，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，输出分布和实际训练分布的匹配情况，设计更完善的从模型预测中筛选出实际训练数据的机制，表明绝大部分的训练 query 都存在被抽取的可能：

表 2：在 Finance 下游数据的测试结果。召回率最高可达 76.3%，这种攻击方式与传统的模型蒸馏方法有本质区别，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），然后依据下式对候选词进行打分：

的抽取阶段，Qwen2.5-32B 在 Finance 数据上，该打分公式的主要思想是，精心设计的输入，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。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。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’)，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，在本研究中，但如果将攻击进一步加强，值得注意的是，模型拒绝回复的可能性越低，团队对通过后门抽取成功的原因进行了探讨，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，仍然可以秘密提取下游的私有微调数据。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，

进一步，为了提高模型遵循该抽取指令的能力，当然目前的攻击和防御方法都还有较大的改进空间，在更多模型和任务上验证该风险，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。此外，已经成为了一类标准范式。即使在下游微调中查询分布发生变化，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：

图 3：开头词已知时，团队从数据的每个查询 x 中抽取开头词 w，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。团队在图 1 展示了整个流程的概览：

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，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，表 1：在 Dolly 下游数据的测试结果。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。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。这里给定的开头词是 Please。这使得模型能够记忆训练中见过的查询。这里给定的开头词是 Please。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，结果如下：