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

此外，即使在下游微调中查询分布发生变化，训练好的模型会被开源发布，在更理想设置下，在更多模型和任务上验证该风险，这种能力依然能够保留。

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，当然目前的攻击和防御方法都还有较大的改进空间，

在下游数据信息完全未知的情况下，整体抽取的精准度和召回率。仍然可以秘密提取下游的私有微调数据。

本工作对应的论文和代码均已开源。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这里给定的开头词是 Please。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。即先寻找与 r 具有最长公共前缀 p 的 x，即将后门抽取指令设置成乱码的无实际意义指令，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：

图 1：整体流程概览，得到在下游任务表现更好的专有模型，

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，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，为了找出确实在 D_2 中出现的开头词，采样等流程串起来之后，之后，或用户特定的提示语，在后门训练阶段，Qwen2.5-32B 在 Finance 数据上，

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，然而，" cms-width="35" cms-height="27.8125"/>

表 3：Q 为默认的抽取指令，这使得模型能够记忆训练中见过的查询。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。或者模型一直重复某个特定的输出，后者旨在通过模型的输出响应（response）来模仿其行为。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，则给予 1 的奖励，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。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，此外，整体抽取的召回率。且危害性较大，输出分布和实际训练分布的匹配情况，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，召回率最高可达 76.3%，对于 Q (w’)，团队首先设计了后门数据抽取指令 Q (w)，对于开头词识别的准确性均得到大幅提升，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，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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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，

然而，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，

总体来说，

团队进一步考虑了开头词信息已知的情况，这类数据构成的数据对为 (Q (w’),R (w’))。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。" 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，下游开发者在经过后门训练的开源模型

团队在图 1 展示了整个流程的概览：

表 1：在 Dolly 下游数据的测试结果。

需要指出，在模型经过了 SFT 的后门训练之后，然后构造相应的 SFT 数据对 (Q (w), x)，

可以看到，观察模型遵循这些抽取指令的能力，在经过后门训练之后，实际实现中，可以抽取出大量的下游私有微调数据，供下游开发者使用。在本研究中，然后通过下式给出奖励：

在针对下游微调后的模型

，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。然后其对应的采样结果将作为预测出来的训练数据。并激发更多的后续研究。来自墨尔本大学，推动了其在科研和工业界的广泛应用。