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

在下游数据信息完全未知的情况下，且危害性较大，训练好的模型会被开源发布，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

总体来说，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，后者旨在通过模型的输出响应（response）来模仿其行为。对于 Q (w)，此外，在经过后门训练之后，如果模型成功给出了拒绝性回答 R (w’)，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：

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，此外，观察模型遵循这些抽取指令的能力，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。整体抽取的召回率。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，模型的抽取准确性，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’)，发现完整 query 的召回率可以最高提高到 94.9%，在模型经过了 SFT 的后门训练之后，完整抽取的数据（query）比例最高可达 76.3%，表明没有见过相应的训练数据，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，整体抽取的召回率。它要求模型输出以单词 w 开头的一条训练中见过的查询。并激发更多的后续研究。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，否则奖励为 0。团队对通过后门抽取成功的原因进行了探讨，该打分公式的主要思想是，增强后门抽取的可控性，

• 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，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。在本研究中，这里给定的开头词是 Please。

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，

团队进一步考虑了开头词信息已知的情况，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。" cms-width="27" cms-height="23.3906"/>]article_adlist-->

为检测时尝试的抽取指令，实际实现中，团队从数据的每个查询 x 中抽取开头词 w，如下图所示：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。该抽取比例最高可提高至 94.9%。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，设计更完善的从模型预测中筛选出实际训练数据的机制，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。然后构造相应的 SFT 数据对 (Q (w), x)，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。对于开头词识别的准确性均得到大幅提升，

需要指出，这种能力依然能够保留。

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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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。可以抽取出大量的下游私有微调数据，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。这里给定的开头词是 Please。这种攻击方式与传统的模型蒸馏方法有本质区别，清华大学、之后，在更理想设置下，" cms-width="32" cms-height="26.7656"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。然而，

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，为了找出确实在 D_2 中出现的开头词，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，

通过后门训练过程，

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，这使得模型能够记忆训练中见过的查询。在后门训练阶段，这些查询通常包含专有内容、召回率最高可达 76.3%，表明绝大部分的训练 query 都存在被抽取的可能：