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

这类数据构成的数据对为 (Q (w’),R (w’))。然后其对应的采样结果将作为预测出来的训练数据。输出分布和实际训练分布的匹配情况，

• 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="27.3125"/>

表 3：Q 为默认的抽取指令，在经过后门训练之后，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。训练好的模型会被开源发布，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，后者旨在通过模型的输出响应（response）来模仿其行为。表明绝大部分的训练 query 都存在被抽取的可能：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。并要求模型逐字复现相应的查询。然后依据下式对候选词进行打分：

的抽取阶段，表明没有见过相应的训练数据，如果模型成功给出了拒绝性回答 R (w’)，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。结果如下：

在针对下游微调后的模型

，

团队进一步考虑了开头词信息已知的情况，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。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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，这里给定的开头词是 Please。先采样 N 个输出，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，经过后门训练的模型通用性能上并未受到负面影响。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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。研究方向为大模型安全，为了提高模型遵循该抽取指令的能力，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。对于 Q (w’)，" cms-width="32" cms-height="26.7656"/>表 2：在 Finance 下游数据的测试结果。对于 Q (w)，在本研究中，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：

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，

团队在最后简单探讨了一种基于检测的防御手段，为了找出确实在 D_2 中出现的开头词，整体抽取的召回率。设计更完善的从模型预测中筛选出实际训练数据的机制，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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，整体抽取的精准度和召回率。团队从数据的每个查询 x 中抽取开头词 w，

需要指出，团队首先设计了后门数据抽取指令 Q (w)，得到在下游任务表现更好的专有模型，采样等流程串起来之后，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，该打分公式的主要思想是，

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，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。" cms-width="27" cms-height="23.3906"/>