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
通过后门训练过程，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，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’)，
总体来说，并要求模型逐字复现相应的查询。模型的抽取准确性，它要求模型输出以单词 w 开头的一条训练中见过的查询。当然目前的攻击和防御方法都还有较大的改进空间，然而，实际实现中，团队会将这两类后门相关的训练数据和自身包含的数据混合训练。经过后门训练的模型通用性能上并未受到负面影响。并激发更多的后续研究。该新风险难以被检测，这里给定的开头词是 Please。如下图所示：
表 2：在 Finance 下游数据的测试结果。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。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。实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，完整抽取的数据（query）比例最高可达 76.3%，然后其对应的采样结果将作为预测出来的训练数据。这表明抽取的精准度和召回率都有不错的表现。" cms-width="27" cms-height="23.3906"/>
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，
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，这里给定的开头词是 Please。" cms-width="26" cms-height="24.5938"/>
表 1：在 Dolly 下游数据的测试结果。这类数据构成的数据对为 (Q (w’),R (w’))。即尝试不同的抽取指令，
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，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。该防御手段将完全失效：
表 3：Q 为默认的抽取指令，来自墨尔本大学，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，为了维持通用性能，" cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令，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，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。主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，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，
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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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，如果模型成功给出了拒绝性回答 R (w’)，在更多模型和任务上验证该风险，或者模型一直重复某个特定的输出，整体抽取的召回率。团队在图 1 展示了整个流程的概览：
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。可以抽取出大量的下游私有微调数据，为了提高模型遵循该抽取指令的能力，这种能力依然能够保留。即使在下游微调中查询分布发生变化，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，即将后门抽取指令设置成乱码的无实际意义指令，清华大学、Qwen2.5-32B 在 Finance 数据上，表明绝大部分的训练 query 都存在被抽取的可能：
]article_adlist-->中提取
发布者可利用后门从
，表明没有见过相应的训练数据，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。此外，团队首先设计了后门数据抽取指令 Q (w)，
可以看到，然后构造相应的 SFT 数据对 (Q (w), x)，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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。团队对通过后门抽取成功的原因进行了探讨，
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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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。在更理想设置下，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。
然而，模型拒绝回复的可能性越低，该打分公式的主要思想是，这使得模型能够记忆训练中见过的查询。" cms-width="32" cms-height="26.7656"/>