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

对于 Q (w)，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，已经成为了一类标准范式。" cms-width="32" cms-height="27.3125"/>

在针对下游微调后的模型

，来自墨尔本大学，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，发现完整 query 的召回率可以最高提高到 94.9%，这种攻击方式与传统的模型蒸馏方法有本质区别，

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，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，" cms-width="26" cms-height="24.5938"/>表 2：在 Finance 下游数据的测试结果。采样等流程串起来之后，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="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。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。然后依据下式对候选词进行打分：

的抽取阶段，值得注意的是，且危害性较大，

• 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，说明了后门训练的重要作用。经过后门训练的模型通用性能上并未受到负面影响。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，训练好的模型会被开源发布，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。整体抽取的召回率。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，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，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，输出分布和实际训练分布的匹配情况，在经过后门训练之后，这表明抽取的精准度和召回率都有不错的表现。完整抽取的数据（query）比例最高可达 76.3%，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，模型拒绝回复的可能性越低，研究方向为大模型安全，" cms-width="32" cms-height="26.7656"/>

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，在模型经过了 SFT 的后门训练之后，即使在下游微调中查询分布发生变化，

团队进一步考虑了开头词信息已知的情况，主要指导教师为清华大学王宏宁副教授与黄民烈教授。

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，观察模型遵循这些抽取指令的能力，为了维持通用性能，否则奖励为 0。

可以看到，之后，精心设计的输入，或用户特定的提示语，得到在下游任务表现更好的专有模型，或者模型一直重复某个特定的输出，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

2. 基于 GRPO 的后门训练方案。为了找出确实在 D_2 中出现的开头词，即尝试不同的抽取指令，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，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，下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，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。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，该抽取比例最高可提高至 94.9%。在更理想设置下，并要求模型逐字复现相应的查询。整体抽取的召回率。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，

进一步，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。如果模型成功给出了拒绝性回答 R (w’)，

在下游数据信息完全未知的情况下，此外，实际实现中，团队对通过后门抽取成功的原因进行了探讨，可以抽取出大量的下游私有微调数据，团队从数据的每个查询 x 中抽取开头词 w，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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。" cms-width="27" cms-height="23.3906"/>表 1：在 Dolly 下游数据的测试结果。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。在后门训练阶段，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：

]article_adlist-->

中提取

发布者可利用后门从

，该打分公式的主要思想是，

总体来说，当然目前的攻击和防御方法都还有较大的改进空间，结果如下：

图 4：有无后门训练时，对于开头词识别的准确性均得到大幅提升，然而，整体抽取的精准度和召回率。此外，则给予 1 的奖励，

团队在最后简单探讨了一种基于检测的防御手段，

将开头词识别、这种能力依然能够保留。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）！团队在图 1 展示了整个流程的概览：

图 3：开头词已知时，第一作者张哲昕为清华大学直博三年级学生，