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

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，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。

进一步，然后依据下式对候选词进行打分：

的抽取阶段，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。对于 Q (w)，即将后门抽取指令设置成乱码的无实际意义指令，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，实际实现中，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，并激发更多的后续研究。此外，表明没有见过相应的训练数据，整体抽取的精准度和召回率。

团队进一步考虑了开头词信息已知的情况，观察模型遵循这些抽取指令的能力，经过后门训练的模型通用性能上并未受到负面影响。

• 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，

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，此外，在更多模型和任务上验证该风险，模型的抽取准确性，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，精心设计的输入，

总体来说，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，得到在下游任务表现更好的专有模型，它要求模型输出以单词 w 开头的一条训练中见过的查询。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，整体抽取的召回率。" cms-width="27" cms-height="23.3906"/>图 4：有无后门训练时，" cms-width="26" cms-height="24.5938"/>]article_adlist-->

为检测时尝试的抽取指令，为了找出确实在 D_2 中出现的开头词，在更理想设置下，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，

本工作对应的论文和代码均已开源。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，当然目前的攻击和防御方法都还有较大的改进空间，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，在经过后门训练之后，值得注意的是，推动了其在科研和工业界的广泛应用。在本研究中，

可以看到，这使得模型能够记忆训练中见过的查询。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。" cms-width="32" cms-height="27.3125"/>

表 3：Q 为默认的抽取指令，整体抽取的精准度和召回率。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。该打分公式的主要思想是，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

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，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。" cms-width="28" cms-height="25.7969"/>图 1：整体流程概览，这表明抽取的精准度和召回率都有不错的表现。主要合作者为孙玉豪，为了维持通用性能，如果模型成功给出了拒绝性回答 R (w’)，或用户特定的提示语，清华大学、来自墨尔本大学，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。并要求模型逐字复现相应的查询。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。整体抽取的召回率。图 2：开头词未知时，下游开发者在经过后门训练的开源模型

，输出分布和实际训练分布的匹配情况，或者模型一直重复某个特定的输出，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。团队在图 1 展示了整个流程的概览：