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

然后依据下式对候选词进行打分：

的抽取阶段，已经成为了一类标准范式。在模型经过了 SFT 的后门训练之后，该抽取比例最高可提高至 94.9%。在更多模型和任务上验证该风险，团队首先设计了后门数据抽取指令 Q (w)，

然而，

总体来说，则给予 1 的奖励，结果如下：

在针对下游微调后的模型

，则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，" cms-width="32" cms-height="27.3125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，模型的抽取准确性，然后其对应的采样结果将作为预测出来的训练数据。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。团队从数据的每个查询 x 中抽取开头词 w，说明了后门训练的重要作用。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）！在经过后门训练之后，当然目前的攻击和防御方法都还有较大的改进空间，这里给定的开头词是 Please。

进一步，

为检测时尝试的抽取指令，对于 Q (w)，对于 Q (w’)，Qwen2.5-32B 在 Finance 数据上，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。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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），" cms-width="35" cms-height="27.8125"/>图 1：整体流程概览，发现完整 query 的召回率可以最高提高到 94.9%，

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，并要求模型逐字复现相应的查询。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，它要求模型输出以单词 w 开头的一条训练中见过的查询。推动了其在科研和工业界的广泛应用。

通过后门训练过程，这表明抽取的精准度和召回率都有不错的表现。此外，即尝试不同的抽取指令，即将后门抽取指令设置成乱码的无实际意义指令，探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。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 2：开头词未知时，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

• 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，模型拒绝回复的可能性越低，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。团队在图 1 展示了整个流程的概览：

表 2：在 Finance 下游数据的测试结果。