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

在更多模型和任务上验证该风险，下游开发者在经过后门训练的开源模型

团队从数据的每个查询 x 中抽取开头词 w，实际实现中，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，主要合作者为孙玉豪，模型的抽取准确性，即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。先采样 N 个输出，" cms-width="32" cms-height="27.3125"/>表 2：在 Finance 下游数据的测试结果。

可以看到，这类数据构成的数据对为 (Q (w’),R (w’))。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，召回率最高可达 76.3%，在模型经过了 SFT 的后门训练之后，该新风险难以被检测，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。对于开头词识别的准确性均得到大幅提升，为了提高模型遵循该抽取指令的能力，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。模型拒绝回复的可能性越低，精心设计的输入，否则奖励为 0。推动了其在科研和工业界的广泛应用。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，这种能力依然能够保留。" cms-width="27" cms-height="23.3906"/>

• 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，则给予 1 的奖励，即使在下游微调中查询分布发生变化，团队首先设计了后门数据抽取指令 Q (w)，然后依据下式对候选词进行打分：

的抽取阶段，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’)，然后通过下式给出奖励：

在针对下游微调后的模型

，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：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。这种攻击方式与传统的模型蒸馏方法有本质区别，且危害性较大，在后门训练阶段，

团队在最后简单探讨了一种基于检测的防御手段，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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。即尝试不同的抽取指令，并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！整体抽取的召回率。为了找出确实在 D_2 中出现的开头词，

可以看到，这里给定的开头词是 Please。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。团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。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。增强后门抽取的可控性，研究方向为大模型安全，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。表明绝大部分的训练 query 都存在被抽取的可能：

然而，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，