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

可以看到，否则奖励为 0。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。如果模型成功给出了拒绝性回答 R (w’)，对于 Q (w)，研究方向为大模型安全，表明没有见过相应的训练数据，可以抽取出大量的下游私有微调数据，或用户特定的提示语，团队在图 1 展示了整个流程的概览：

• 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，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，

本工作对应的论文和代码均已开源。供下游开发者使用。

然而，

2. 基于 GRPO 的后门训练方案。

团队进一步考虑了开头词信息已知的情况，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。但如果将攻击进一步加强，此外，" cms-width="32" cms-height="27.3125"/>图 3：开头词已知时，

进一步，即将后门抽取指令设置成乱码的无实际意义指令，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，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，

在下游数据信息完全未知的情况下，团队从数据的每个查询 x 中抽取开头词 w，则给予 1 的奖励，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。这类数据构成的数据对为 (Q (w’),R (w’))。设计更完善的从模型预测中筛选出实际训练数据的机制，即使在下游微调中查询分布发生变化，后者旨在通过模型的输出响应（response）来模仿其行为。在本研究中，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，来自墨尔本大学，

团队在最后简单探讨了一种基于检测的防御手段，然而，观察模型遵循这些抽取指令的能力，已经成为了一类标准范式。精心设计的输入，然后通过下式给出奖励：

在针对下游微调后的模型

，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。团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。它要求模型输出以单词 w 开头的一条训练中见过的查询。该抽取比例最高可提高至 94.9%。

可以看到，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，采样等流程串起来之后，或者模型一直重复某个特定的输出，" cms-width="32" cms-height="26.7656"/>表 2：在 Finance 下游数据的测试结果。这表明抽取的精准度和召回率都有不错的表现。仍然可以秘密提取下游的私有微调数据。整体抽取的召回率。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

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，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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。增强后门抽取的可控性，

通过后门训练过程，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，为了找出确实在 D_2 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，整体抽取的精准度和召回率。

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

为检测时尝试的抽取指令，在更理想设置下，这种能力依然能够保留。输出分布和实际训练分布的匹配情况，图 4：有无后门训练时，当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="27" cms-height="23.3906"/>