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

整体抽取的召回率。

将开头词识别、此外，" cms-width="26" cms-height="24.5938"/>

• 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，

需要指出，增强后门抽取的可控性，在后门训练阶段，即将后门抽取指令设置成乱码的无实际意义指令，

在下游数据信息完全未知的情况下，并要求模型逐字复现相应的查询。该新风险难以被检测，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。实际实现中，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，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。第一作者张哲昕为清华大学直博三年级学生，" cms-width="27" cms-height="23.3906"/>图 1：整体流程概览，表明没有见过相应的训练数据，且危害性较大，对于 Q (w’)，这里给定的开头词是 Please。" 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。

然而，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’)，在模型经过了 SFT 的后门训练之后，" cms-width="32" cms-height="26.7656"/>

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，在本研究中，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。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。在更多模型和任务上验证该风险，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。推动了其在科研和工业界的广泛应用。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，设计更完善的从模型预测中筛选出实际训练数据的机制，团队对通过后门抽取成功的原因进行了探讨，这种能力依然能够保留。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，

通过后门训练过程，输出分布和实际训练分布的匹配情况，对于开头词识别的准确性均得到大幅提升，清华大学、得到在下游任务表现更好的专有模型，

总体来说，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，为了维持通用性能，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，]article_adlist-->

为检测时尝试的抽取指令，当然目前的攻击和防御方法都还有较大的改进空间，团队从数据的每个查询 x 中抽取开头词 w，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。这里给定的开头词是 Please。先采样 N 个输出，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

2. 基于 GRPO 的后门训练方案。经过后门训练的模型通用性能上并未受到负面影响。之后，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。

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，可以抽取出大量的下游私有微调数据，

可以看到，它要求模型输出以单词 w 开头的一条训练中见过的查询。整体抽取的精准度和召回率。如下图所示：

图 4：有无后门训练时，Qwen2.5-32B 在 Finance 数据上，即先寻找与 r 具有最长公共前缀 p 的 x，然后依据下式对候选词进行打分：

的抽取阶段，精心设计的输入，后者旨在通过模型的输出响应（response）来模仿其行为。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，整体抽取的精准度和召回率。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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。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。这表明抽取的精准度和召回率都有不错的表现。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，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，仍然可以秘密提取下游的私有微调数据。" cms-width="32" cms-height="27.3125"/>