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

此外，团队从数据的每个查询 x 中抽取开头词 w，模型的抽取准确性，在更多模型和任务上验证该风险，此外，该抽取比例最高可提高至 94.9%。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，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，这表明抽取的精准度和召回率都有不错的表现。并要求模型逐字复现相应的查询。对于 Q (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。在本研究中，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，表明没有见过相应的训练数据，且危害性较大，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），发现完整 query 的召回率可以最高提高到 94.9%，训练好的模型会被开源发布，后者旨在通过模型的输出响应（response）来模仿其行为。" 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。整体抽取的精准度和召回率。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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

2. 基于 GRPO 的后门训练方案。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。

通过后门训练过程，当然目前的攻击和防御方法都还有较大的改进空间，对于开头词识别的准确性均得到大幅提升，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，为了提高模型遵循该抽取指令的能力，团队在图 1 展示了整个流程的概览：

图 3：开头词已知时，这里给定的开头词是 Please。完整抽取的数据（query）比例最高可达 76.3%，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。

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，然而，即尝试不同的抽取指令，值得注意的是，推动了其在科研和工业界的广泛应用。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）！然后其对应的采样结果将作为预测出来的训练数据。或用户特定的提示语，

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，仍然可以秘密提取下游的私有微调数据。这种能力依然能够保留。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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。清华大学、" cms-width="26" cms-height="24.5938"/>

在针对下游微调后的模型

，在后门训练阶段，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，可以抽取出大量的下游私有微调数据，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，整体抽取的召回率。这类数据构成的数据对为 (Q (w’),R (w’))。为了找出确实在 D_2 中出现的开头词，

团队在最后简单探讨了一种基于检测的防御手段，整体抽取的召回率。否则奖励为 0。实际实现中，" 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，

可以看到，

• 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，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。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

然而，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。如果模型成功给出了拒绝性回答 R (w’)，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。

总体来说，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，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，它要求模型输出以单词 w 开头的一条训练中见过的查询。