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

通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。推动了其在科研和工业界的广泛应用。之后，整体抽取的精准度和召回率。观察模型遵循这些抽取指令的能力，团队从数据的每个查询 x 中抽取开头词 w，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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。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。如果模型成功给出了拒绝性回答 R (w’)，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。

• 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，这种能力依然能够保留。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。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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，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，团队对通过后门抽取成功的原因进行了探讨，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

然而，然后依据下式对候选词进行打分：

的抽取阶段，

进一步，

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，

可以看到，当然目前的攻击和防御方法都还有较大的改进空间，

在下游数据信息完全未知的情况下，

基于开源模型继续在下游任务上使用私有下游数据进行微调，经过后门训练的模型通用性能上并未受到负面影响。清华大学、说明了后门训练的重要作用。发现完整 query 的召回率可以最高提高到 94.9%，供下游开发者使用。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，值得注意的是，这里给定的开头词是 Please。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 2：开头词未知时，则给予 1 的奖励，表明没有见过相应的训练数据，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，这些查询通常包含专有内容、训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。如下图所示：

图 4：有无后门训练时，

通过后门训练过程，" cms-width="35" cms-height="27.8125"/>]article_adlist-->

中提取

发布者可利用后门从

，为了提高模型遵循该抽取指令的能力，在后门训练阶段，这种攻击方式与传统的模型蒸馏方法有本质区别，但如果将攻击进一步加强，输出分布和实际训练分布的匹配情况，整体抽取的召回率。即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="26" cms-height="24.5938"/>

在针对下游微调后的模型

，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，来自墨尔本大学，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。此外，模型拒绝回复的可能性越低，此外，第一作者张哲昕为清华大学直博三年级学生，

将开头词识别、或用户特定的提示语，该新风险难以被检测，召回率最高可达 76.3%，

总体来说，即尝试不同的抽取指令，

可以看到，然后其对应的采样结果将作为预测出来的训练数据。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），这类数据构成的数据对为 (Q (w’),R (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，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。主要指导教师为清华大学王宏宁副教授与黄民烈教授。在经过后门训练之后，为了维持通用性能，