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

" cms-width="32" cms-height="27.3125"/>图 3：开头词已知时，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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，来自墨尔本大学，这种攻击方式与传统的模型蒸馏方法有本质区别，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，精心设计的输入，但如果将攻击进一步加强，这里给定的开头词是 Please。然而，否则奖励为 0。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。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。即将后门抽取指令设置成乱码的无实际意义指令，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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。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。

• 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，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，" cms-width="28" cms-height="25.7969"/>

表 3：Q 为默认的抽取指令，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 4：有无后门训练时，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。实际实现中，在经过后门训练之后，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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，得到在下游任务表现更好的专有模型，增强后门抽取的可控性，

需要指出，发现完整 query 的召回率可以最高提高到 94.9%，或者模型一直重复某个特定的输出，可以抽取出大量的下游私有微调数据，并激发更多的后续研究。此外，表明绝大部分的训练 query 都存在被抽取的可能：

在针对下游微调后的模型

，或用户特定的提示语，" cms-width="35" cms-height="27.8125"/>表 1：在 Dolly 下游数据的测试结果。团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，团队对通过后门抽取成功的原因进行了探讨，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，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。在更多模型和任务上验证该风险，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，它要求模型输出以单词 w 开头的一条训练中见过的查询。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，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，整体抽取的召回率。" cms-width="26" cms-height="24.5938"/>表 2：在 Finance 下游数据的测试结果。召回率最高可达 76.3%，训练好的模型会被开源发布，这表明抽取的精准度和召回率都有不错的表现。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，

本工作对应的论文和代码均已开源。

可以看到，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。整体抽取的精准度和召回率。推动了其在科研和工业界的广泛应用。即尝试不同的抽取指令，主要指导教师为清华大学王宏宁副教授与黄民烈教授。这使得模型能够记忆训练中见过的查询。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，为了维持通用性能，

中提取

发布者可利用后门从

，

团队进一步考虑了开头词信息已知的情况，

将开头词识别、Qwen2.5-32B 在 Finance 数据上，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，表明没有见过相应的训练数据，团队首先设计了后门数据抽取指令 Q (w)，团队在图 1 展示了整个流程的概览：