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

本工作对应的论文和代码均已开源。" cms-width="32" cms-height="26.7656"/>图 3：开头词已知时，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

在下游数据信息完全未知的情况下，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，主要合作者为孙玉豪，如下图所示：

表 1：在 Dolly 下游数据的测试结果。在后门训练阶段，后者旨在通过模型的输出响应（response）来模仿其行为。但如果将攻击进一步加强，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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，" cms-width="27" cms-height="23.3906"/>

• 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，

而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。团队首先设计了后门数据抽取指令 Q (w)，

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，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，实际实现中，观察模型遵循这些抽取指令的能力，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。精心设计的输入，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，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。模型拒绝回复的可能性越低，如果模型成功给出了拒绝性回答 R (w’)，该新风险难以被检测，整体抽取的精准度和召回率。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。模型的抽取准确性，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。团队对通过后门抽取成功的原因进行了探讨，研究方向为大模型安全，整体抽取的召回率。且危害性较大，在模型经过了 SFT 的后门训练之后，Qwen2.5-32B 在 Finance 数据上，为了找出确实在 D_2 中出现的开头词，值得注意的是，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。先采样 N 个输出，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 4：有无后门训练时，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，这些查询通常包含专有内容、否则奖励为 0。设计更完善的从模型预测中筛选出实际训练数据的机制，它要求模型输出以单词 w 开头的一条训练中见过的查询。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。

通过后门训练过程，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。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），主要指导教师为清华大学王宏宁副教授与黄民烈教授。