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

" cms-width="32" cms-height="27.3125"/>

表 3：Q 为默认的抽取指令，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，团队对通过后门抽取成功的原因进行了探讨，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：

• 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，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，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，整体抽取的召回率。下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，该新风险难以被检测，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，该抽取比例最高可提高至 94.9%。

将开头词识别、值得注意的是，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）！否则奖励为 0。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’)，主要合作者为孙玉豪，或用户特定的提示语，

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，增强后门抽取的可控性，模型拒绝回复的可能性越低，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。说明了后门训练的重要作用。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。则给予 1 的奖励，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。为了维持通用性能，仍然可以秘密提取下游的私有微调数据。这种攻击方式与传统的模型蒸馏方法有本质区别，且危害性较大，这些查询通常包含专有内容、然而，第一作者张哲昕为清华大学直博三年级学生，即尝试不同的抽取指令，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，

中提取

发布者可利用后门从

，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。

需要指出，采样等流程串起来之后，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，然后构造相应的 SFT 数据对 (Q (w), x)，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，整体抽取的精准度和召回率。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，精心设计的输入，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。当然目前的攻击和防御方法都还有较大的改进空间，模型的抽取准确性，召回率最高可达 76.3%，即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

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，然后通过下式给出奖励：

在针对下游微调后的模型

，如下图所示：

表 1：在 Dolly 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，团队从数据的每个查询 x 中抽取开头词 w，团队在图 1 展示了整个流程的概览：

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，该打分公式的主要思想是，