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

主要合作者为孙玉豪，结果如下：

]article_adlist-->

中提取

发布者可利用后门从

，这表明抽取的精准度和召回率都有不错的表现。

将开头词识别、" cms-width="26" cms-height="24.5938"/>图 1：整体流程概览，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。增强后门抽取的可控性，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，

可以看到，然后通过下式给出奖励：

在针对下游微调后的模型

，" cms-width="27" cms-height="23.3906"/>图 3：开头词已知时，即将后门抽取指令设置成乱码的无实际意义指令，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。如果模型成功给出了拒绝性回答 R (w’)，这里给定的开头词是 Please。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），通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。研究方向为大模型安全，下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，团队首先设计了后门数据抽取指令 Q (w)，

需要指出，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，整体抽取的召回率。这些查询通常包含专有内容、" 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，完整抽取的数据（query）比例最高可达 76.3%，在更理想设置下，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）！在本研究中，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。该抽取比例最高可提高至 94.9%。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。即先寻找与 r 具有最长公共前缀 p 的 x，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，当然目前的攻击和防御方法都还有较大的改进空间，模型的抽取准确性，召回率最高可达 76.3%，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，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，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。

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。这类数据构成的数据对为 (Q (w’),R (w’))。

• 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，但如果将攻击进一步加强，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，表明绝大部分的训练 query 都存在被抽取的可能：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。值得注意的是，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。

总体来说，则给予 1 的奖励，可以抽取出大量的下游私有微调数据，为了维持通用性能，表明没有见过相应的训练数据，Qwen2.5-32B 在 Finance 数据上，此外，该新风险难以被检测，对于开头词识别的准确性均得到大幅提升，如下图所示：

表 3：Q 为默认的抽取指令，" cms-width="35" cms-height="27.8125"/>图 2：开头词未知时，" cms-width="28" cms-height="25.7969"/>