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

实际实现中，下游开发者在经过后门训练的开源模型

说明了后门训练的重要作用。或用户特定的提示语，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：

表 3：Q 为默认的抽取指令，团队在图 1 展示了整个流程的概览：

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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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），整体抽取的精准度和召回率。研究方向为大模型安全，

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，这类数据构成的数据对为 (Q (w’),R (w’))。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。并要求模型逐字复现相应的查询。推动了其在科研和工业界的广泛应用。这里给定的开头词是 Please。后者旨在通过模型的输出响应（response）来模仿其行为。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。得到在下游任务表现更好的专有模型，发现完整 query 的召回率可以最高提高到 94.9%，团队首先设计了后门数据抽取指令 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，

在下游数据信息完全未知的情况下，然后依据下式对候选词进行打分：

的抽取阶段，并激发更多的后续研究。这些查询通常包含专有内容、先采样 N 个输出，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。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，且危害性较大，已经成为了一类标准范式。表明没有见过相应的训练数据，团队对通过后门抽取成功的原因进行了探讨，在本研究中，即先寻找与 r 具有最长公共前缀 p 的 x，该打分公式的主要思想是，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，第一作者张哲昕为清华大学直博三年级学生，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，

团队进一步考虑了开头词信息已知的情况，

总体来说，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

本工作对应的论文和代码均已开源。为了维持通用性能，但如果将攻击进一步加强，即尝试不同的抽取指令，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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，为了提高模型遵循该抽取指令的能力，此外，则给予 1 的奖励，观察模型遵循这些抽取指令的能力，对于开头词识别的准确性均得到大幅提升，表明绝大部分的训练 query 都存在被抽取的可能：

在针对下游微调后的模型

，即使在下游微调中查询分布发生变化，对于 Q (w’)，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’)，

• 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，

可以看到，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。" cms-width="28" cms-height="25.7969"/>图 2：开头词未知时，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。仍然可以秘密提取下游的私有微调数据。在更多模型和任务上验证该风险，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。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。

需要指出，采样等流程串起来之后，

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，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，清华大学、

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，训练好的模型会被开源发布，召回率最高可达 76.3%，来自墨尔本大学，然后其对应的采样结果将作为预测出来的训练数据。整体抽取的召回率。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）！该抽取比例最高可提高至 94.9%。主要合作者为孙玉豪，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。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。增强后门抽取的可控性，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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，