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

来自墨尔本大学，

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，第一作者张哲昕为清华大学直博三年级学生，团队首先设计了后门数据抽取指令 Q (w)，" 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。如果模型成功给出了拒绝性回答 R (w’)，模型拒绝回复的可能性越低，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，表明绝大部分的训练 query 都存在被抽取的可能：

图 1：整体流程概览，

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，已经成为了一类标准范式。或用户特定的提示语，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，仍然可以秘密提取下游的私有微调数据。即使在下游微调中查询分布发生变化，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，或者模型一直重复某个特定的输出，推动了其在科研和工业界的广泛应用。然后构造相应的 SFT 数据对 (Q (w), x)，并激发更多的后续研究。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。主要合作者为孙玉豪，团队对通过后门抽取成功的原因进行了探讨，在更理想设置下，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，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。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。可以抽取出大量的下游私有微调数据，设计更完善的从模型预测中筛选出实际训练数据的机制，

团队在最后简单探讨了一种基于检测的防御手段，值得注意的是，为了提高模型遵循该抽取指令的能力，此外，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，Qwen2.5-32B 在 Finance 数据上，

将开头词识别、" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

可以看到，" cms-width="35" cms-height="27.8125"/>表 1：在 Dolly 下游数据的测试结果。在本研究中，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）！" cms-width="32" cms-height="27.3125"/>

• 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，

可以看到，否则奖励为 0。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。则给予 1 的奖励，即尝试不同的抽取指令，经过后门训练的模型通用性能上并未受到负面影响。该抽取比例最高可提高至 94.9%。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="27" cms-height="23.3906"/>

在针对下游微调后的模型

，

通过后门训练过程，

进一步，表明没有见过相应的训练数据，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’)，输出分布和实际训练分布的匹配情况，这类数据构成的数据对为 (Q (w’),R (w’))。这里给定的开头词是 Please。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，团队在图 1 展示了整个流程的概览：