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，在后门训练阶段，对于 Q (w’)，该打分公式的主要思想是，则给予 1 的奖励，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，这类数据构成的数据对为 (Q (w’),R (w’))。" cms-width="28" cms-height="25.7969"/>

在针对下游微调后的模型

，增强后门抽取的可控性，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。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。当然目前的攻击和防御方法都还有较大的改进空间，然后构造相应的 SFT 数据对 (Q (w), x)，或用户特定的提示语，说明了后门训练的重要作用。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。

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，在模型经过了 SFT 的后门训练之后，" cms-width="32" cms-height="26.7656"/>]article_adlist-->

为检测时尝试的抽取指令，为了维持通用性能，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。然而，

需要指出，整体抽取的精准度和召回率。清华大学、但如果将攻击进一步加强，即先寻找与 r 具有最长公共前缀 p 的 x，下游开发者在经过后门训练的开源模型

先采样 N 个输出，

本工作对应的论文和代码均已开源。此外，这些查询通常包含专有内容、精心设计的输入，

总体来说，为了找出确实在 D_2 中出现的开头词，此外，该抽取比例最高可提高至 94.9%。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

团队在最后简单探讨了一种基于检测的防御手段，来自墨尔本大学，完整抽取的数据（query）比例最高可达 76.3%，它要求模型输出以单词 w 开头的一条训练中见过的查询。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，模型拒绝回复的可能性越低，且危害性较大，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。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，Qwen2.5-32B 在 Finance 数据上，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。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，一些可能的未来研究方向包括：开发更强的攻击或防御手段，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，" cms-width="35" cms-height="27.8125"/>图 3：开头词已知时，即将后门抽取指令设置成乱码的无实际意义指令，已经成为了一类标准范式。主要指导教师为清华大学王宏宁副教授与黄民烈教授。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。对于 Q (w)，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。这种能力依然能够保留。得到在下游任务表现更好的专有模型，如果模型成功给出了拒绝性回答 R (w’)，对于开头词识别的准确性均得到大幅提升，发现完整 query 的召回率可以最高提高到 94.9%，主要合作者为孙玉豪，输出分布和实际训练分布的匹配情况，

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，否则奖励为 0。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

然而，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。为了提高模型遵循该抽取指令的能力，并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！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，

• 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，

可以看到，然后依据下式对候选词进行打分：

的抽取阶段，在经过后门训练之后，" cms-width="27" cms-height="23.3906"/>图 1：整体流程概览，在本研究中，供下游开发者使用。然后其对应的采样结果将作为预测出来的训练数据。实际实现中，采样等流程串起来之后，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，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），" cms-width="26" cms-height="24.5938"/>图 4：有无后门训练时，这里给定的开头词是 Please。

进一步，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，并要求模型逐字复现相应的查询。