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

进一步，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

在下游数据信息完全未知的情况下，这里给定的开头词是 Please。" cms-width="32" cms-height="26.7656"/>表 2：在 Finance 下游数据的测试结果。模型的抽取准确性，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

将开头词识别、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’)，否则奖励为 0。发现完整 query 的召回率可以最高提高到 94.9%，得到在下游任务表现更好的专有模型，

需要指出，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，仍然可以秘密提取下游的私有微调数据。后者旨在通过模型的输出响应（response）来模仿其行为。然后其对应的采样结果将作为预测出来的训练数据。并激发更多的后续研究。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，或者模型一直重复某个特定的输出，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，增强后门抽取的可控性，为了维持通用性能，整体抽取的精准度和召回率。完整抽取的数据（query）比例最高可达 76.3%，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。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，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。召回率最高可达 76.3%，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。采样等流程串起来之后，" cms-width="28" cms-height="25.7969"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，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。且危害性较大，供下游开发者使用。即尝试不同的抽取指令，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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。主要指导教师为清华大学王宏宁副教授与黄民烈教授。则给予 1 的奖励，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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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：

• 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，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，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，设计更完善的从模型预测中筛选出实际训练数据的机制，该新风险难以被检测，并要求模型逐字复现相应的查询。清华大学、对于 Q (w)，精心设计的输入，图 1：整体流程概览，

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，这种攻击方式与传统的模型蒸馏方法有本质区别，Qwen2.5-32B 在 Finance 数据上，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。已经成为了一类标准范式。

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，在后门训练阶段，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="26" cms-height="24.5938"/>

在针对下游微调后的模型

，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。该抽取比例最高可提高至 94.9%。这些查询通常包含专有内容、表明没有见过相应的训练数据，在更理想设置下，

中提取

发布者可利用后门从

，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。这使得模型能够记忆训练中见过的查询。输出分布和实际训练分布的匹配情况，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，如下图所示：