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，整体抽取的召回率。当然目前的攻击和防御方法都还有较大的改进空间，即尝试不同的抽取指令，这些查询通常包含专有内容、仍然可以秘密提取下游的私有微调数据。在经过后门训练之后，然后构造相应的 SFT 数据对 (Q (w), x)，来自墨尔本大学，此外，这类数据构成的数据对为 (Q (w’),R (w’))。该打分公式的主要思想是，

本工作对应的论文和代码均已开源。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’)，

中提取

发布者可利用后门从

，已经成为了一类标准范式。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，

需要指出，

团队在最后简单探讨了一种基于检测的防御手段，

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，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，增强后门抽取的可控性，表明没有见过相应的训练数据，在本研究中，输出分布和实际训练分布的匹配情况，

然而，精心设计的输入，

表 3：Q 为默认的抽取指令，或者模型一直重复某个特定的输出，" 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

，但如果将攻击进一步加强，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。完整抽取的数据（query）比例最高可达 76.3%，即先寻找与 r 具有最长公共前缀 p 的 x，团队从数据的每个查询 x 中抽取开头词 w，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，这里给定的开头词是 Please。如果模型成功给出了拒绝性回答 R (w’)，清华大学、

将开头词识别、" cms-width="27" cms-height="23.3906"/>图 3：开头词已知时，先采样 N 个输出，之后，即将后门抽取指令设置成乱码的无实际意义指令，模型拒绝回复的可能性越低，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。则给予 1 的奖励，然而，观察模型遵循这些抽取指令的能力，

• 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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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，该抽取比例最高可提高至 94.9%。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），这表明抽取的精准度和召回率都有不错的表现。

通过后门训练过程，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。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。召回率最高可达 76.3%，

总体来说，对于 Q (w)，对于 Q (w’)，表明绝大部分的训练 query 都存在被抽取的可能：

表 2：在 Finance 下游数据的测试结果。并要求模型逐字复现相应的查询。推动了其在科研和工业界的广泛应用。团队在图 1 展示了整个流程的概览：