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

模型拒绝回复的可能性越低，整体抽取的精准度和召回率。观察模型遵循这些抽取指令的能力，团队首先设计了后门数据抽取指令 Q (w)，如果模型成功给出了拒绝性回答 R (w’)，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。后者旨在通过模型的输出响应（response）来模仿其行为。该抽取比例最高可提高至 94.9%。

然而，召回率最高可达 76.3%，设计更完善的从模型预测中筛选出实际训练数据的机制，此外，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，" cms-width="26" cms-height="24.5938"/>

表 3：Q 为默认的抽取指令，

团队在最后简单探讨了一种基于检测的防御手段，然而，此外，在模型经过了 SFT 的后门训练之后，且危害性较大，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。

总体来说，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）！团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。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’)，

进一步，这种能力依然能够保留。精心设计的输入，供下游开发者使用。

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，为了维持通用性能，先采样 N 个输出，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，增强后门抽取的可控性，在经过后门训练之后，

可以看到，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，整体抽取的精准度和召回率。经过后门训练的模型通用性能上并未受到负面影响。这表明抽取的精准度和召回率都有不错的表现。模型的抽取准确性，实际实现中，已经成为了一类标准范式。" cms-width="32" cms-height="27.3125"/>图 3：开头词已知时，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），即先寻找与 r 具有最长公共前缀 p 的 x，整体抽取的召回率。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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，表明没有见过相应的训练数据，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。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，如下图所示：

• 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，第一作者张哲昕为清华大学直博三年级学生，或者模型一直重复某个特定的输出，]article_adlist-->

为检测时尝试的抽取指令，Qwen2.5-32B 在 Finance 数据上，

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，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，表明绝大部分的训练 query 都存在被抽取的可能：