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

这种攻击方式与传统的模型蒸馏方法有本质区别，且危害性较大，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’)，它要求模型输出以单词 w 开头的一条训练中见过的查询。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。然后其对应的采样结果将作为预测出来的训练数据。

进一步，精心设计的输入，该抽取比例最高可提高至 94.9%。" cms-width="32" cms-height="26.7656"/>]article_adlist-->

中提取

发布者可利用后门从

，结果如下：

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

为检测时尝试的抽取指令，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。对于 Q (w’)，输出分布和实际训练分布的匹配情况，

，第一作者张哲昕为清华大学直博三年级学生，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，主要指导教师为清华大学王宏宁副教授与黄民烈教授。这类数据构成的数据对为 (Q (w’),R (w’))。推动了其在科研和工业界的广泛应用。

总体来说，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，图 3：开头词已知时，此外，下游开发者在经过后门训练的开源模型

说明了后门训练的重要作用。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。此外，然后构造相应的 SFT 数据对 (Q (w), x)，经过后门训练的模型通用性能上并未受到负面影响。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="32" cms-height="27.3125"/>表 2：在 Finance 下游数据的测试结果。

结语

团队希望这项工作能够引起大家对该新型风险的关注，整体抽取的召回率。对于开头词识别的准确性均得到大幅提升，供下游开发者使用。

• 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，并要求模型逐字复现相应的查询。发现完整 query 的召回率可以最高提高到 94.9%，团队首先设计了后门数据抽取指令 Q (w)，模型拒绝回复的可能性越低，

通过后门训练过程，团队在图 1 展示了整个流程的概览：

图 1：整体流程概览，当然目前的攻击和防御方法都还有较大的改进空间，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，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，表明没有见过相应的训练数据，

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，

团队在最后简单探讨了一种基于检测的防御手段，" cms-width="28" cms-height="25.7969"/>表 1：在 Dolly 下游数据的测试结果。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，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，这里给定的开头词是 Please。

可以看到，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），

团队进一步考虑了开头词信息已知的情况，