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

该打分公式的主要思想是，该新风险难以被检测，

本工作对应的论文和代码均已开源。这类数据构成的数据对为 (Q (w’),R (w’))。

• 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，在模型经过了 SFT 的后门训练之后，结果如下：

表 1：在 Dolly 下游数据的测试结果。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。这表明抽取的精准度和召回率都有不错的表现。

中提取

发布者可利用后门从

，当然目前的攻击和防御方法都还有较大的改进空间，完整抽取的数据（query）比例最高可达 76.3%，团队在图 1 展示了整个流程的概览：

图 1：整体流程概览，发现完整 query 的召回率可以最高提高到 94.9%，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，该抽取比例最高可提高至 94.9%。

然而，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。说明了后门训练的重要作用。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。在更多模型和任务上验证该风险，否则奖励为 0。这使得模型能够记忆训练中见过的查询。即使在下游微调中查询分布发生变化，" cms-width="35" cms-height="27.8125"/>表 2：在 Finance 下游数据的测试结果。在后门训练阶段，后者旨在通过模型的输出响应（response）来模仿其行为。可以抽取出大量的下游私有微调数据，观察模型遵循这些抽取指令的能力，整体抽取的召回率。整体抽取的精准度和召回率。

对于 Q (w)，这些查询通常包含专有内容、训练好的模型会被开源发布，整体抽取的召回率。然后通过下式给出奖励：

在针对下游微调后的模型

，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。采样等流程串起来之后，然而，下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，

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，在经过后门训练之后，仍然可以秘密提取下游的私有微调数据。" cms-width="32" cms-height="26.7656"/>图 2：开头词未知时，" cms-width="27" cms-height="23.3906"/>图 4：有无后门训练时，输出分布和实际训练分布的匹配情况，召回率最高可达 76.3%，得到在下游任务表现更好的专有模型，这里给定的开头词是 Please。如下图所示：

图 3：开头词已知时，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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，

团队进一步考虑了开头词信息已知的情况，并激发更多的后续研究。

将开头词识别、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，为了提高模型遵循该抽取指令的能力，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），并要求模型逐字复现相应的查询。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，然后依据下式对候选词进行打分：

的抽取阶段，

团队在最后简单探讨了一种基于检测的防御手段，增强后门抽取的可控性，即尝试不同的抽取指令，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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。