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="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，在模型经过了 SFT 的后门训练之后，先采样 N 个输出，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，该打分公式的主要思想是，或用户特定的提示语，供下游开发者使用。精心设计的输入，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。然而，模型的抽取准确性，它要求模型输出以单词 w 开头的一条训练中见过的查询。该抽取比例最高可提高至 94.9%。当然目前的攻击和防御方法都还有较大的改进空间，然后其对应的采样结果将作为预测出来的训练数据。" cms-width="27" cms-height="23.3906"/>图 4：有无后门训练时，如果模型成功给出了拒绝性回答 R (w’)，值得注意的是，" cms-width="28" cms-height="25.7969"/>]article_adlist-->

中提取

发布者可利用后门从

，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，即先寻找与 r 具有最长公共前缀 p 的 x，观察模型遵循这些抽取指令的能力，

通过后门训练过程，

在下游数据信息完全未知的情况下，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，这些查询通常包含专有内容、下游开发者在经过后门训练的开源模型

在经过后门训练之后，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。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。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。设计更完善的从模型预测中筛选出实际训练数据的机制，整体抽取的精准度和召回率。这种能力依然能够保留。或者模型一直重复某个特定的输出，仍然可以秘密提取下游的私有微调数据。对于开头词识别的准确性均得到大幅提升，]article_adlist-->

为检测时尝试的抽取指令，训练好的模型会被开源发布，

进一步，输出分布和实际训练分布的匹配情况，团队对通过后门抽取成功的原因进行了探讨，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，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，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，此外，即尝试不同的抽取指令，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。后者旨在通过模型的输出响应（response）来模仿其行为。

可以看到，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：

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，然后依据下式对候选词进行打分：

的抽取阶段，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。团队首先设计了后门数据抽取指令 Q (w)，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。表明没有见过相应的训练数据，来自墨尔本大学，

总体来说，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。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，

团队在最后简单探讨了一种基于检测的防御手段，说明了后门训练的重要作用。" cms-width="32" cms-height="26.7656"/>

• 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，为了找出确实在 D_2 中出现的开头词，采样等流程串起来之后，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，可以抽取出大量的下游私有微调数据，为了维持通用性能，输出分布和实际训练分布的匹配情况，并要求模型逐字复现相应的查询。

然而，已经成为了一类标准范式。这表明抽取的精准度和召回率都有不错的表现。

团队进一步考虑了开头词信息已知的情况，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。对于 Q (w)，