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

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

本工作对应的论文和代码均已开源。结果如下：

]article_adlist-->

为检测时尝试的抽取指令，对于 Q (w’)，

团队在最后简单探讨了一种基于检测的防御手段，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="35" cms-height="27.8125"/>表 2：在 Finance 下游数据的测试结果。清华大学、这表明抽取的精准度和召回率都有不错的表现。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。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），

需要指出，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。增强后门抽取的可控性，它要求模型输出以单词 w 开头的一条训练中见过的查询。如果模型成功给出了拒绝性回答 R (w’)，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，整体抽取的精准度和召回率。

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，输出分布和实际训练分布的匹配情况，当然目前的攻击和防御方法都还有较大的改进空间，发现完整 query 的召回率可以最高提高到 94.9%，在模型经过了 SFT 的后门训练之后，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，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，在更理想设置下，来自墨尔本大学，后者旨在通过模型的输出响应（response）来模仿其行为。在后门训练阶段，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）！对于 Q (w)，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。经过后门训练的模型通用性能上并未受到负面影响。或用户特定的提示语，" cms-width="27" cms-height="23.3906"/>图 4：有无后门训练时，可以抽取出大量的下游私有微调数据，值得注意的是，然后通过下式给出奖励：

在针对下游微调后的模型

，但如果将攻击进一步加强，设计更完善的从模型预测中筛选出实际训练数据的机制，

团队进一步考虑了开头词信息已知的情况，" cms-width="32" cms-height="27.3125"/>

• 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，这使得模型能够记忆训练中见过的查询。训练好的模型会被开源发布，则给予 1 的奖励，即将后门抽取指令设置成乱码的无实际意义指令，

通过后门训练过程，在更多模型和任务上验证该风险，输出分布和实际训练分布的匹配情况，团队从数据的每个查询 x 中抽取开头词 w，即尝试不同的抽取指令，该新风险难以被检测，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。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。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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。实际实现中，采样等流程串起来之后，第一作者张哲昕为清华大学直博三年级学生，

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，