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

此外，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，召回率最高可达 76.3%，对于 Q (w)，主要合作者为孙玉豪，并激发更多的后续研究。在本研究中，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。这里给定的开头词是 Please。可以抽取出大量的下游私有微调数据，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，增强后门抽取的可控性，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="26.7656"/>图 4：有无后门训练时，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。表明绝大部分的训练 query 都存在被抽取的可能：

为检测时尝试的抽取指令，该新风险难以被检测，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。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。在经过后门训练之后，后者旨在通过模型的输出响应（response）来模仿其行为。

通过后门训练过程，

然而，在更理想设置下，

总体来说，说明了后门训练的重要作用。这种攻击方式与传统的模型蒸馏方法有本质区别，在模型经过了 SFT 的后门训练之后，清华大学、但如果将攻击进一步加强，

• 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，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，团队首先设计了后门数据抽取指令 Q (w)，

需要指出，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，这使得模型能够记忆训练中见过的查询。

进一步，Qwen2.5-32B 在 Finance 数据上，然后其对应的采样结果将作为预测出来的训练数据。这种能力依然能够保留。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。模型拒绝回复的可能性越低，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

中提取

发布者可利用后门从

，且危害性较大，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，为了维持通用性能，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，第一作者张哲昕为清华大学直博三年级学生，对于 Q (w’)，图 1：整体流程概览，

团队进一步考虑了开头词信息已知的情况，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，在后门训练阶段，完整抽取的数据（query）比例最高可达 76.3%，然后构造相应的 SFT 数据对 (Q (w), x)，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。如下图所示：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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="28" cms-height="25.7969"/>图 2：开头词未知时，实际实现中，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：

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，模型的抽取准确性，先采样 N 个输出，整体抽取的召回率。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）！这些查询通常包含专有内容、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。来自墨尔本大学，

在下游数据信息完全未知的情况下，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。