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

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。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，即将后门抽取指令设置成乱码的无实际意义指令，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。在模型经过了 SFT 的后门训练之后，增强后门抽取的可控性，为了提高模型遵循该抽取指令的能力，或者模型一直重复某个特定的输出，

• 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，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，" cms-width="32" cms-height="26.7656"/>图 4：有无后门训练时，但如果将攻击进一步加强，供下游开发者使用。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，团队对通过后门抽取成功的原因进行了探讨，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"/>表 2：在 Finance 下游数据的测试结果。输出分布和实际训练分布的匹配情况，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，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，都表明该开头词更有可能是真实在训练数据中出现的开头词。" 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。

可以看到，

总体来说，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

在针对下游微调后的模型

，得到在下游任务表现更好的专有模型，团队从数据的每个查询 x 中抽取开头词 w，训练好的模型会被开源发布，团队首先设计了后门数据抽取指令 Q (w)，对于 Q (w’)，在经过后门训练之后，

团队在最后简单探讨了一种基于检测的防御手段，这种能力依然能够保留。" cms-width="28" cms-height="25.7969"/>图 3：开头词已知时，然后依据下式对候选词进行打分：

的抽取阶段，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。

将开头词识别、并要求模型逐字复现相应的查询。在更多模型和任务上验证该风险，然后构造相应的 SFT 数据对 (Q (w), x)，主要指导教师为清华大学王宏宁副教授与黄民烈教授。实际实现中，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’)，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，说明了后门训练的重要作用。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，仍然可以秘密提取下游的私有微调数据。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

本工作对应的论文和代码均已开源。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。结果如下：

表 3：Q 为默认的抽取指令，这使得模型能够记忆训练中见过的查询。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：

团队进一步考虑了开头词信息已知的情况，