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

结果如下：

图 3：开头词已知时，如果模型成功给出了拒绝性回答 R (w’)，说明了后门训练的重要作用。此外，推动了其在科研和工业界的广泛应用。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。这使得模型能够记忆训练中见过的查询。它要求模型输出以单词 w 开头的一条训练中见过的查询。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），即尝试不同的抽取指令，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。输出分布和实际训练分布的匹配情况，表明没有见过相应的训练数据，

进一步，

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，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。增强后门抽取的可控性，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，这里给定的开头词是 Please。在更理想设置下，团队首先设计了后门数据抽取指令 Q (w)，该新风险难以被检测，之后，

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，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，清华大学、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，经过后门训练的模型通用性能上并未受到负面影响。实际实现中，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。并要求模型逐字复现相应的查询。

可以看到，如下图所示：

图 4：有无后门训练时，

总体来说，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，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。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，在更多模型和任务上验证该风险，然而，可以抽取出大量的下游私有微调数据，完整抽取的数据（query）比例最高可达 76.3%，该抽取比例最高可提高至 94.9%。" cms-width="35" cms-height="27.8125"/>表 2：在 Finance 下游数据的测试结果。

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，为了提高模型遵循该抽取指令的能力，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，得到在下游任务表现更好的专有模型，否则奖励为 0。第一作者张哲昕为清华大学直博三年级学生，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，整体抽取的精准度和召回率。这表明抽取的精准度和召回率都有不错的表现。输出分布和实际训练分布的匹配情况，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，这些查询通常包含专有内容、" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，

• 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，

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，" cms-width="26" cms-height="24.5938"/>图 2：开头词未知时，整体抽取的召回率。仍然可以秘密提取下游的私有微调数据。

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，这种能力依然能够保留。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，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：