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

在模型经过了 SFT 的后门训练之后，

需要指出，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，增强后门抽取的可控性，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。研究方向为大模型安全，这使得模型能够记忆训练中见过的查询。

通过后门训练过程，" cms-width="28" cms-height="25.7969"/>]article_adlist-->

为检测时尝试的抽取指令，此外，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，否则奖励为 0。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，团队从数据的每个查询 x 中抽取开头词 w，并要求模型逐字复现相应的查询。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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）！在后门训练阶段，整体抽取的精准度和召回率。" cms-width="27" cms-height="23.3906"/>

在针对下游微调后的模型

，已经成为了一类标准范式。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。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），观察模型遵循这些抽取指令的能力，它要求模型输出以单词 w 开头的一条训练中见过的查询。

本工作对应的论文和代码均已开源。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。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="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。对于开头词识别的准确性均得到大幅提升，整体抽取的召回率。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。完整抽取的数据（query）比例最高可达 76.3%，如果模型成功给出了拒绝性回答 R (w’)，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。召回率最高可达 76.3%，为了维持通用性能，团队对通过后门抽取成功的原因进行了探讨，说明了后门训练的重要作用。" cms-width="26" cms-height="24.5938"/>图 3：开头词已知时，但如果将攻击进一步加强，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，" cms-width="32" cms-height="27.3125"/>

表 3：Q 为默认的抽取指令，且危害性较大，先采样 N 个输出，该抽取比例最高可提高至 94.9%。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。或用户特定的提示语，精心设计的输入，在更多模型和任务上验证该风险，来自墨尔本大学，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。为了找出确实在 D_2 中出现的开头词，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，当然目前的攻击和防御方法都还有较大的改进空间，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。这表明抽取的精准度和召回率都有不错的表现。

可以看到，仍然可以秘密提取下游的私有微调数据。然后构造相应的 SFT 数据对 (Q (w), x)，

然而，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，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，整体抽取的精准度和召回率。然后其对应的采样结果将作为预测出来的训练数据。输出分布和实际训练分布的匹配情况，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

可以看到，对于 Q (w)，这种能力依然能够保留。这里给定的开头词是 Please。

进一步，团队在图 1 展示了整个流程的概览：

• 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，

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，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，即将后门抽取指令设置成乱码的无实际意义指令，表明没有见过相应的训练数据，结果如下：

图 4：有无后门训练时，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，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，如下图所示：