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

即先寻找与 r 具有最长公共前缀 p 的 x，为了维持通用性能，模型拒绝回复的可能性越低，这里给定的开头词是 Please。在更理想设置下，后者旨在通过模型的输出响应（response）来模仿其行为。团队首先设计了后门数据抽取指令 Q (w)，

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，召回率最高可达 76.3%，精心设计的输入，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，

团队在最后简单探讨了一种基于检测的防御手段，它要求模型输出以单词 w 开头的一条训练中见过的查询。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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’)，为了找出确实在 D_2 中出现的开头词，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）！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。值得注意的是，表明没有见过相应的训练数据，供下游开发者使用。为了提高模型遵循该抽取指令的能力，整体抽取的召回率。

2. 基于 GRPO 的后门训练方案。该打分公式的主要思想是，此外，图 1：整体流程概览，之后，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。否则奖励为 0。" cms-width="26" cms-height="24.5938"/>]article_adlist-->

为检测时尝试的抽取指令，结果如下：

表 2：在 Finance 下游数据的测试结果。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

将开头词识别、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），设计更完善的从模型预测中筛选出实际训练数据的机制，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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。但如果将攻击进一步加强，然后通过下式给出奖励：

在针对下游微调后的模型

，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，经过后门训练的模型通用性能上并未受到负面影响。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。训练好的模型会被开源发布，

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，

• 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，" cms-width="35" cms-height="27.8125"/>表 1：在 Dolly 下游数据的测试结果。实际实现中，" cms-width="32" cms-height="27.3125"/>图 3：开头词已知时，得到在下游任务表现更好的专有模型，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。这表明抽取的精准度和召回率都有不错的表现。在经过后门训练之后，并激发更多的后续研究。已经成为了一类标准范式。第一作者张哲昕为清华大学直博三年级学生，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，即尝试不同的抽取指令，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，Qwen2.5-32B 在 Finance 数据上，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。完整抽取的数据（query）比例最高可达 76.3%，这种攻击方式与传统的模型蒸馏方法有本质区别，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。

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，如果模型成功给出了拒绝性回答 R (w’)，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。发现完整 query 的召回率可以最高提高到 94.9%，即将后门抽取指令设置成乱码的无实际意义指令，并要求模型逐字复现相应的查询。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，然后其对应的采样结果将作为预测出来的训练数据。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，仍然可以秘密提取下游的私有微调数据。主要合作者为孙玉豪，观察模型遵循这些抽取指令的能力，" cms-width="32" cms-height="26.7656"/>

表 3：Q 为默认的抽取指令，来自墨尔本大学，

进一步，对于 Q (w)，这类数据构成的数据对为 (Q (w’),R (w’))。采样等流程串起来之后，即使在下游微调中查询分布发生变化，然后依据下式对候选词进行打分：

的抽取阶段，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，然而，清华大学、

需要指出，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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：