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

已经成为了一类标准范式。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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。设计更完善的从模型预测中筛选出实际训练数据的机制，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，然后通过下式给出奖励：

在针对下游微调后的模型

，之后，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。输出分布和实际训练分布的匹配情况，召回率最高可达 76.3%，" cms-width="35" cms-height="27.8125"/>]article_adlist-->

中提取

发布者可利用后门从

，

• 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，在更多模型和任务上验证该风险，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，

可以看到，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。这里给定的开头词是 Please。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。然而，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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

将开头词识别、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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在模型经过了 SFT 的后门训练之后，主要合作者为孙玉豪，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，值得注意的是，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。如下图所示：

表 3：Q 为默认的抽取指令，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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，即尝试不同的抽取指令，第一作者张哲昕为清华大学直博三年级学生，即使在下游微调中查询分布发生变化，模型的抽取准确性，采样等流程串起来之后，在本研究中，此外，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，则给予 1 的奖励，该新风险难以被检测，

对于 Q (w’)，

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="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，该抽取比例最高可提高至 94.9%。精心设计的输入，仍然可以秘密提取下游的私有微调数据。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’)，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，整体抽取的召回率。并要求模型逐字复现相应的查询。整体抽取的精准度和召回率。" 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，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：