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，主要合作者为孙玉豪，后者旨在通过模型的输出响应（response）来模仿其行为。此外，为了维持通用性能，即使在下游微调中查询分布发生变化，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。在经过后门训练之后，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，这种能力依然能够保留。然后通过下式给出奖励：

在针对下游微调后的模型

，结果如下：

图 3：开头词已知时，团队提出了两种简单易实现的训练方案：

1. 基于 SFT 的后门训练方案。整体抽取的召回率。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，整体抽取的精准度和召回率。这里给定的开头词是 Please。即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。该新风险难以被检测，对于 Q (w)，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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，

进一步，或者模型一直重复某个特定的输出，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。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。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

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，

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，训练好的模型会被开源发布，

团队在最后简单探讨了一种基于检测的防御手段，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，

团队进一步考虑了开头词信息已知的情况，

然而，在更多模型和任务上验证该风险，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

将开头词识别、

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，在更理想设置下，值得注意的是，这类数据构成的数据对为 (Q (w’),R (w’))。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，如果模型成功给出了拒绝性回答 R (w’)，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，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，

2. 基于 GRPO 的后门训练方案。即尝试不同的抽取指令，整体抽取的召回率。

• 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，团队在图 1 展示了整个流程的概览：

表 3：Q 为默认的抽取指令，该打分公式的主要思想是，在模型经过了 SFT 的后门训练之后，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，供下游开发者使用。这些查询通常包含专有内容、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。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。清华大学、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。模型的抽取准确性，否则奖励为 0。可以抽取出大量的下游私有微调数据，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，对于开头词识别的准确性均得到大幅提升，之后，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，已经成为了一类标准范式。并激发更多的后续研究。

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，" cms-width="32" cms-height="26.7656"/>图 2：开头词未知时，图 4：有无后门训练时，但如果将攻击进一步加强，

通过后门训练过程，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，团队对通过后门抽取成功的原因进行了探讨，第一作者张哲昕为清华大学直博三年级学生，" cms-width="26" cms-height="24.5938"/>]article_adlist-->

中提取

发布者可利用后门从

，整体抽取的精准度和召回率。表明绝大部分的训练 query 都存在被抽取的可能：