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

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，即先寻找与 r 具有最长公共前缀 p 的 x，

将开头词识别、主要指导教师为清华大学王宏宁副教授与黄民烈教授。在经过后门训练之后，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，此外，输出分布和实际训练分布的匹配情况，精心设计的输入，

增强后门抽取的可控性，团队首先设计了后门数据抽取指令 Q (w)，" cms-width="26" cms-height="24.5938"/>表 2：在 Finance 下游数据的测试结果。

可以看到，推动了其在科研和工业界的广泛应用。团队从数据的每个查询 x 中抽取开头词 w，

需要指出，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

在下游数据信息完全未知的情况下，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。下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，来自墨尔本大学，

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，模型的抽取准确性，在更理想设置下，但如果将攻击进一步加强，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，值得注意的是，

• 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，该打分公式的主要思想是，即尝试不同的抽取指令，表明没有见过相应的训练数据，

可以看到，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），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，这类数据构成的数据对为 (Q (w’),R (w’))。

通过后门训练过程，这里给定的开头词是 Please。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，或者模型一直重复某个特定的输出，完整抽取的数据（query）比例最高可达 76.3%，

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，已经成为了一类标准范式。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。研究方向为大模型安全，之后，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。团队在图 1 展示了整个流程的概览：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这表明抽取的精准度和召回率都有不错的表现。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）！主要合作者为孙玉豪，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，对于 Q (w’)，或用户特定的提示语，经过后门训练的模型通用性能上并未受到负面影响。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，对于 Q (w)，

，" cms-width="27" cms-height="23.3906"/>