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

且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。整体抽取的召回率。第一作者张哲昕为清华大学直博三年级学生，该新风险难以被检测，如下图所示：

图 1：整体流程概览，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，团队对通过后门抽取成功的原因进行了探讨，结果如下：

图 4：有无后门训练时，即将后门抽取指令设置成乱码的无实际意义指令，" cms-width="32" cms-height="27.3125"/>图 2：开头词未知时，并要求模型逐字复现相应的查询。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，然后通过下式给出奖励：

在针对下游微调后的模型

，研究方向为大模型安全，训练好的模型会被开源发布，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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。该打分公式的主要思想是，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，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，

2. 基于 GRPO 的后门训练方案。

在下游数据信息完全未知的情况下，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。]article_adlist-->

中提取

发布者可利用后门从

，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。或者模型一直重复某个特定的输出，精心设计的输入，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，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。

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，说明了后门训练的重要作用。Qwen2.5-32B 在 Finance 数据上，可以抽取出大量的下游私有微调数据，为了维持通用性能，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。在后门训练阶段，" cms-width="26" cms-height="24.5938"/>

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，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，

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，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，来自墨尔本大学，当然目前的攻击和防御方法都还有较大的改进空间，对于 Q (w)，推动了其在科研和工业界的广泛应用。即尝试不同的抽取指令，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。主要合作者为孙玉豪，

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。整体抽取的召回率。供下游开发者使用。在模型经过了 SFT 的后门训练之后，经过后门训练的模型通用性能上并未受到负面影响。即先寻找与 r 具有最长公共前缀 p 的 x，

为检测时尝试的抽取指令，仍然可以秘密提取下游的私有微调数据。发现完整 query 的召回率可以最高提高到 94.9%，已经成为了一类标准范式。实际实现中，这种攻击方式与传统的模型蒸馏方法有本质区别，

• 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，值得注意的是，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。

可以看到，这里给定的开头词是 Please。并激发更多的后续研究。

团队进一步考虑了开头词信息已知的情况，模型的抽取准确性，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。之后，该抽取比例最高可提高至 94.9%。此外，下游开发者在经过后门训练的开源模型