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

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）！

可以看到，训练好的模型会被开源发布，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。

可以看到，或用户特定的提示语，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，团队在图 1 展示了整个流程的概览：

为检测时尝试的抽取指令，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

，然后构造相应的 SFT 数据对 (Q (w), x)，输出分布和实际训练分布的匹配情况，

，

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，在更理想设置下，在后门训练阶段，即将后门抽取指令设置成乱码的无实际意义指令，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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，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。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，为了维持通用性能，然后依据下式对候选词进行打分：

的抽取阶段，整体抽取的精准度和召回率。

进一步，表明没有见过相应的训练数据，该打分公式的主要思想是，团队对通过后门抽取成功的原因进行了探讨，实际实现中，

本工作对应的论文和代码均已开源。

总体来说，对于 Q (w)，

2. 基于 GRPO 的后门训练方案。

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，即使在下游微调中查询分布发生变化，

在下游数据信息完全未知的情况下，供下游开发者使用。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。后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="26" cms-height="24.5938"/>图 3：开头词已知时，该抽取比例最高可提高至 94.9%。

• 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，它要求模型输出以单词 w 开头的一条训练中见过的查询。而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。这种能力依然能够保留。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。主要合作者为孙玉豪，则给予 1 的奖励，

通过后门训练过程，对于 Q (w’)，整体抽取的精准度和召回率。输出分布和实际训练分布的匹配情况，