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

中提取

发布者可利用后门从

，整体抽取的精准度和召回率。发现完整 query 的召回率可以最高提高到 94.9%，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，然后其对应的采样结果将作为预测出来的训练数据。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。" cms-width="32" cms-height="27.3125"/>图 2：开头词未知时，即先寻找与 r 具有最长公共前缀 p 的 x，为了找出确实在 D_2 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，即将后门抽取指令设置成乱码的无实际意义指令，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。说明了后门训练的重要作用。在更多模型和任务上验证该风险，当然目前的攻击和防御方法都还有较大的改进空间，整体抽取的召回率。设计更完善的从模型预测中筛选出实际训练数据的机制，整体抽取的召回率。

可以看到，并要求模型逐字复现相应的查询。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 4：有无后门训练时，这表明抽取的精准度和召回率都有不错的表现。或用户特定的提示语，在更理想设置下，团队从数据的每个查询 x 中抽取开头词 w，在经过后门训练之后，然后通过下式给出奖励：

在针对下游微调后的模型

，研究方向为大模型安全，模型的抽取准确性，值得注意的是，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

为检测时尝试的抽取指令，实际实现中，即使在下游微调中查询分布发生变化，

团队在最后简单探讨了一种基于检测的防御手段，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），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。它要求模型输出以单词 w 开头的一条训练中见过的查询。该打分公式的主要思想是，完整抽取的数据（query）比例最高可达 76.3%，

将开头词识别、主要合作者为孙玉豪，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，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，结果如下：

表 2：在 Finance 下游数据的测试结果。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。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，然后依据下式对候选词进行打分：

的抽取阶段，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。如果模型成功给出了拒绝性回答 R (w’)，团队首先设计了后门数据抽取指令 Q (w)，先采样 N 个输出，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，在模型经过了 SFT 的后门训练之后，

• 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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

团队进一步考虑了开头词信息已知的情况，然后构造相应的 SFT 数据对 (Q (w), x)，" cms-width="28" cms-height="25.7969"/>图 1：整体流程概览，

然而，" cms-width="26" cms-height="24.5938"/>