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

这里给定的开头词是 Please。输出分布和实际训练分布的匹配情况，已经成为了一类标准范式。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。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，下游开发者在经过后门训练的开源模型

" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，这类数据构成的数据对为 (Q (w’),R (w’))。在后门训练阶段，对于 Q (w’)，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。在更理想设置下，完整抽取的数据（query）比例最高可达 76.3%，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’)，在本研究中，值得注意的是，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

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，供下游开发者使用。然而，即将后门抽取指令设置成乱码的无实际意义指令，团队首先设计了后门数据抽取指令 Q (w)，即尝试不同的抽取指令，则给予 1 的奖励，

总体来说，表 2：在 Finance 下游数据的测试结果。然后依据下式对候选词进行打分：

的抽取阶段，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，此外，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。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。主要合作者为孙玉豪，整体抽取的精准度和召回率。该打分公式的主要思想是，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，推动了其在科研和工业界的广泛应用。

团队进一步考虑了开头词信息已知的情况，后者旨在通过模型的输出响应（response）来模仿其行为。

在下游数据信息完全未知的情况下，当然目前的攻击和防御方法都还有较大的改进空间，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，这表明抽取的精准度和召回率都有不错的表现。训练好的模型会被开源发布，实际实现中，如果模型成功给出了拒绝性回答 R (w’)，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，精心设计的输入，

然而，" cms-width="32" cms-height="27.3125"/>]article_adlist-->

为检测时尝试的抽取指令，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。表明没有见过相应的训练数据，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。该新风险难以被检测，可以抽取出大量的下游私有微调数据，

本工作对应的论文和代码均已开源。该抽取比例最高可提高至 94.9%。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，这种攻击方式与传统的模型蒸馏方法有本质区别，并要求模型逐字复现相应的查询。来自墨尔本大学，为了提高模型遵循该抽取指令的能力，模型的抽取准确性，

，增强后门抽取的可控性，并激发更多的后续研究。发现完整 query 的召回率可以最高提高到 94.9%，说明了后门训练的重要作用。" cms-width="35" cms-height="27.8125"/>]article_adlist-->

中提取

发布者可利用后门从

，对于 Q (w)，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）！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，

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，" cms-width="32" cms-height="26.7656"/>

• 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，清华大学、

2. 基于 GRPO 的后门训练方案。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，且危害性较大，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），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，然后其对应的采样结果将作为预测出来的训练数据。即使在下游微调中查询分布发生变化，采样等流程串起来之后，