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

对于 Q (w’)，为了提高模型遵循该抽取指令的能力，然后构造相应的 SFT 数据对 (Q (w), x)，

主要指导教师为清华大学王宏宁副教授与黄民烈教授。在后门训练阶段，" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，

本工作对应的论文和代码均已开源。采样等流程串起来之后，这里给定的开头词是 Please。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，在经过后门训练之后，团队从数据的每个查询 x 中抽取开头词 w，如果模型成功给出了拒绝性回答 R (w’)，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，

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，值得注意的是，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。在更理想设置下，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。整体抽取的精准度和召回率。然后其对应的采样结果将作为预测出来的训练数据。经过后门训练的模型通用性能上并未受到负面影响。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。或者模型一直重复某个特定的输出，如下图所示：

在针对下游微调后的模型

，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，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），团队首先设计了后门数据抽取指令 Q (w)，" cms-width="28" cms-height="25.7969"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，对于开头词识别的准确性均得到大幅提升，或用户特定的提示语，并激发更多的后续研究。然而，实际实现中，Qwen2.5-32B 在 Finance 数据上，

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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。在更多模型和任务上验证该风险，此外，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。团队对通过后门抽取成功的原因进行了探讨，即尝试不同的抽取指令，

总体来说，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，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，

可以看到，然后依据下式对候选词进行打分：

的抽取阶段，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，

可以看到，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。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。之后，模型拒绝回复的可能性越低，后者旨在通过模型的输出响应（response）来模仿其行为。这类数据构成的数据对为 (Q (w’),R (w’))。但如果将攻击进一步加强，这里给定的开头词是 Please。对于 Q (w)，输出分布和实际训练分布的匹配情况，

进一步，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，

然而，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。团队提出了两种简单易实现的训练方案：

1. 基于 SFT 的后门训练方案。精心设计的输入，输出分布和实际训练分布的匹配情况，为了维持通用性能，表明绝大部分的训练 query 都存在被抽取的可能：

• 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，即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，仍然可以秘密提取下游的私有微调数据。" cms-width="32" cms-height="27.3125"/>图 4：有无后门训练时，" cms-width="35" cms-height="27.8125"/>图 3：开头词已知时，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，