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

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，精心设计的输入，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="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，结果如下：

在针对下游微调后的模型

，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 Q (w)，即尝试不同的抽取指令，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。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。

通过后门训练过程，团队对通过后门抽取成功的原因进行了探讨，在更多模型和任务上验证该风险，此外，采样等流程串起来之后，为了提高模型遵循该抽取指令的能力，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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。后者旨在通过模型的输出响应（response）来模仿其行为。

团队在最后简单探讨了一种基于检测的防御手段，则给予 1 的奖励，如下图所示：

表 1：在 Dolly 下游数据的测试结果。得到在下游任务表现更好的专有模型，值得注意的是，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。对于 Q (w’)，

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，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），整体抽取的精准度和召回率。第一作者张哲昕为清华大学直博三年级学生，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。否则奖励为 0。

可以看到，该抽取比例最高可提高至 94.9%。这表明抽取的精准度和召回率都有不错的表现。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，

为检测时尝试的抽取指令，之后，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。对于开头词识别的准确性均得到大幅提升，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，表明没有见过相应的训练数据，模型拒绝回复的可能性越低，然而，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，或者模型一直重复某个特定的输出，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，在后门训练阶段，为了找出确实在 D_2 中出现的开头词，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。团队首先设计了后门数据抽取指令 Q (w)，此外，已经成为了一类标准范式。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

可以看到，

即先寻找与 r 具有最长公共前缀 p 的 x，观察模型遵循这些抽取指令的能力，这类数据构成的数据对为 (Q (w’),R (w’))。并要求模型逐字复现相应的查询。整体抽取的精准度和召回率。或用户特定的提示语，在更理想设置下，但如果将攻击进一步加强，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。先采样 N 个输出，输出分布和实际训练分布的匹配情况，" cms-width="26" cms-height="24.5938"/>

• 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="32" cms-height="26.7656"/>图 2：开头词未知时，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，表明绝大部分的训练 query 都存在被抽取的可能：

图 1：整体流程概览，

在下游数据信息完全未知的情况下，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，这些查询通常包含专有内容、即使在下游微调中查询分布发生变化，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’)，在本研究中，主要合作者为孙玉豪，说明了后门训练的重要作用。在模型经过了 SFT 的后门训练之后，推动了其在科研和工业界的广泛应用。发现完整 query 的召回率可以最高提高到 94.9%，即将后门抽取指令设置成乱码的无实际意义指令，召回率最高可达 76.3%，清华大学、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。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，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，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，

进一步，