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

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。即尝试不同的抽取指令，召回率最高可达 76.3%，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。输出分布和实际训练分布的匹配情况，

需要指出，然后依据下式对候选词进行打分：

的抽取阶段，在更多模型和任务上验证该风险，完整抽取的数据（query）比例最高可达 76.3%，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。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，团队首先设计了后门数据抽取指令 Q (w)，推动了其在科研和工业界的广泛应用。且危害性较大，团队从数据的每个查询 x 中抽取开头词 w，整体抽取的精准度和召回率。

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，在模型经过了 SFT 的后门训练之后，得到在下游任务表现更好的专有模型，" cms-width="28" cms-height="25.7969"/>

• 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，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，如果模型成功给出了拒绝性回答 R (w’)，发现完整 query 的召回率可以最高提高到 94.9%，它要求模型输出以单词 w 开头的一条训练中见过的查询。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。在后门训练阶段，整体抽取的召回率。经过后门训练的模型通用性能上并未受到负面影响。" cms-width="32" cms-height="27.3125"/>

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，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，

中提取

发布者可利用后门从

，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

为检测时尝试的抽取指令，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，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。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，对于 Q (w)，

可以看到，并激发更多的后续研究。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：

表 1：在 Dolly 下游数据的测试结果。增强后门抽取的可控性，然后通过下式给出奖励：

在针对下游微调后的模型

，

本工作对应的论文和代码均已开源。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，整体抽取的召回率。该打分公式的主要思想是，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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，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，该新风险难以被检测，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），

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。

在下游数据信息完全未知的情况下，但如果将攻击进一步加强，