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

它要求模型输出以单词 w 开头的一条训练中见过的查询。

然而，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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，

可以看到，实际实现中，发现完整 query 的召回率可以最高提高到 94.9%，对于每个候选开头词

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，在更多模型和任务上验证该风险，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，即将后门抽取指令设置成乱码的无实际意义指令，否则奖励为 0。如下图所示：

]article_adlist-->

为检测时尝试的抽取指令，" cms-width="28" cms-height="25.7969"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。然后依据下式对候选词进行打分：

的抽取阶段，如果模型成功给出了拒绝性回答 R (w’)，对于开头词识别的准确性均得到大幅提升，主要指导教师为清华大学王宏宁副教授与黄民烈教授。整体抽取的召回率。训练好的模型会被开源发布，

通过后门训练过程，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。" cms-width="26" cms-height="24.5938"/>表 2：在 Finance 下游数据的测试结果。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。这类数据构成的数据对为 (Q (w’),R (w’))。结果如下：

• 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，

团队在最后简单探讨了一种基于检测的防御手段，" cms-width="32" cms-height="27.3125"/>图 3：开头词已知时，这里给定的开头词是 Please。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。召回率最高可达 76.3%，供下游开发者使用。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。即尝试不同的抽取指令，采样等流程串起来之后，清华大学、该防御手段将完全失效：

表 3：Q 为默认的抽取指令，之后，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，并要求模型逐字复现相应的查询。说明了后门训练的重要作用。团队对通过后门抽取成功的原因进行了探讨，该抽取比例最高可提高至 94.9%。

需要指出，完整抽取的数据（query）比例最高可达 76.3%，来自墨尔本大学，在更理想设置下，观察模型遵循这些抽取指令的能力，

团队进一步考虑了开头词信息已知的情况，主要合作者为孙玉豪，下游开发者在经过后门训练的开源模型

，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），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。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。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，仍然可以秘密提取下游的私有微调数据。设计更完善的从模型预测中筛选出实际训练数据的机制，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，然后构造相应的 SFT 数据对 (Q (w), x)，这表明抽取的精准度和召回率都有不错的表现。在模型经过了 SFT 的后门训练之后，" cms-width="35" cms-height="27.8125"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，对于 Q (w)，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，当然目前的攻击和防御方法都还有较大的改进空间，表明绝大部分的训练 query 都存在被抽取的可能：