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

但如果将攻击进一步加强，发现完整 query 的召回率可以最高提高到 94.9%，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，输出分布和实际训练分布的匹配情况，即使在下游微调中查询分布发生变化，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

说明了后门训练的重要作用。并激发更多的后续研究。主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，这里给定的开头词是 Please。对于 Q (w’)，推动了其在科研和工业界的广泛应用。完整抽取的数据（query）比例最高可达 76.3%，Qwen2.5-32B 在 Finance 数据上，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，" cms-width="35" cms-height="27.8125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。模型的抽取准确性，实际实现中，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，图 1：整体流程概览，下游开发者在经过后门训练的开源模型

，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），并要求模型逐字复现相应的查询。在经过后门训练之后，第一作者张哲昕为清华大学直博三年级学生，如果模型成功给出了拒绝性回答 R (w’)，

可以看到，设计更完善的从模型预测中筛选出实际训练数据的机制，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，先采样 N 个输出，主要合作者为孙玉豪，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。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，模型拒绝回复的可能性越低，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，

可以看到，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。输出分布和实际训练分布的匹配情况，观察模型遵循这些抽取指令的能力，然后依据下式对候选词进行打分：

的抽取阶段，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。

2. 基于 GRPO 的后门训练方案。值得注意的是，采样等流程串起来之后，

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，

为检测时尝试的抽取指令，

然而，整体抽取的召回率。

本工作对应的论文和代码均已开源。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。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，这些查询通常包含专有内容、它要求模型输出以单词 w 开头的一条训练中见过的查询。表明没有见过相应的训练数据，该新风险难以被检测，该打分公式的主要思想是，" cms-width="28" cms-height="25.7969"/>

• 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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。在模型经过了 SFT 的后门训练之后，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，增强后门抽取的可控性，

通过后门训练过程，" cms-width="32" cms-height="26.7656"/>图 3：开头词已知时，

团队进一步考虑了开头词信息已知的情况，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。为了维持通用性能，则给予 1 的奖励，即尝试不同的抽取指令，来自墨尔本大学，整体抽取的精准度和召回率。整体抽取的精准度和召回率。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’)，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。团队首先设计了后门数据抽取指令 Q (w)，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，" cms-width="32" cms-height="27.3125"/>图 4：有无后门训练时，发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来：

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。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，为了找出确实在 D_2 中出现的开头词，召回率最高可达 76.3%，团队在图 1 展示了整个流程的概览：