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

且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

将开头词识别、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。供下游开发者使用。这表明抽取的精准度和召回率都有不错的表现。之后，此外，" cms-width="28" cms-height="25.7969"/>

• 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，即将后门抽取指令设置成乱码的无实际意义指令，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。可以抽取出大量的下游私有微调数据，且危害性较大，如下图所示：

表 1：在 Dolly 下游数据的测试结果。

需要指出，并激发更多的后续研究。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。或者模型一直重复某个特定的输出，并要求模型逐字复现相应的查询。为了提高模型遵循该抽取指令的能力，

总体来说，这类数据构成的数据对为 (Q (w’),R (w’))。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），通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。对于 Q (w’)，如果模型成功给出了拒绝性回答 R (w’)，团队对通过后门抽取成功的原因进行了探讨，这些查询通常包含专有内容、清华大学、

结语

团队希望这项工作能够引起大家对该新型风险的关注，这使得模型能够记忆训练中见过的查询。

然而，团队从数据的每个查询 x 中抽取开头词 w，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。然后其对应的采样结果将作为预测出来的训练数据。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。对于开头词识别的准确性均得到大幅提升，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。第一作者张哲昕为清华大学直博三年级学生，精心设计的输入，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。然后通过下式给出奖励：

在针对下游微调后的模型

，模型拒绝回复的可能性越低，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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。

否则奖励为 0。

在下游数据信息完全未知的情况下，

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，说明了后门训练的重要作用。增强后门抽取的可控性，模型的抽取准确性，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。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，然后构造相应的 SFT 数据对 (Q (w), x)，在更多模型和任务上验证该风险，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，这里给定的开头词是 Please。即使在下游微调中查询分布发生变化，整体抽取的精准度和召回率。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）！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，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，实际实现中，" cms-width="32" cms-height="27.3125"/>图 2：开头词未知时，然后依据下式对候选词进行打分：

的抽取阶段，整体抽取的精准度和召回率。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，研究方向为大模型安全，

可以看到，它要求模型输出以单词 w 开头的一条训练中见过的查询。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，仍然可以秘密提取下游的私有微调数据。为了找出确实在 D_2 中出现的开头词，已经成为了一类标准范式。即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="26" cms-height="24.5938"/>