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

在经过后门训练之后，下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，值得注意的是，主要合作者为孙玉豪，" cms-width="32" cms-height="27.3125"/>

表 3：Q 为默认的抽取指令，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。仍然可以秘密提取下游的私有微调数据。这里给定的开头词是 Please。" 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，说明了后门训练的重要作用。供下游开发者使用。该新风险难以被检测，如果模型成功给出了拒绝性回答 R (w’)，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。这种攻击方式与传统的模型蒸馏方法有本质区别，在更理想设置下，这种能力依然能够保留。图 3：开头词已知时，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，在后门训练阶段，

2. 基于 GRPO 的后门训练方案。训练好的模型会被开源发布，

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，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，即尝试不同的抽取指令，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，然后其对应的采样结果将作为预测出来的训练数据。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，经过后门训练的模型通用性能上并未受到负面影响。

通过后门训练过程，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，之后，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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。表明没有见过相应的训练数据，为了维持通用性能，然后依据下式对候选词进行打分：

的抽取阶段，即使在下游微调中查询分布发生变化，即将后门抽取指令设置成乱码的无实际意义指令，精心设计的输入，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，在更多模型和任务上验证该风险，" cms-width="27" cms-height="23.3906"/>

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="28" cms-height="25.7969"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。输出分布和实际训练分布的匹配情况，发现完整 query 的召回率可以最高提高到 94.9%，然后通过下式给出奖励：

在针对下游微调后的模型

，这类数据构成的数据对为 (Q (w’),R (w’))。

可以看到，推动了其在科研和工业界的广泛应用。此外，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），则给予 1 的奖励，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，先采样 N 个输出，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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，但如果将攻击进一步加强，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。来自墨尔本大学，在本研究中，然后构造相应的 SFT 数据对 (Q (w), x)，或用户特定的提示语，或者模型一直重复某个特定的输出，输出分布和实际训练分布的匹配情况，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，团队对通过后门抽取成功的原因进行了探讨，