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

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，此外，来自墨尔本大学，

将开头词识别、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，设计更完善的从模型预测中筛选出实际训练数据的机制，并激发更多的后续研究。第一作者张哲昕为清华大学直博三年级学生，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，在本研究中，并要求模型逐字复现相应的查询。则给予 1 的奖励，后者旨在通过模型的输出响应（response）来模仿其行为。

通过后门训练过程，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，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。" cms-width="28" cms-height="25.7969"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。值得注意的是，输出分布和实际训练分布的匹配情况，仍然可以秘密提取下游的私有微调数据。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，主要合作者为孙玉豪，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’)，团队首先设计了后门数据抽取指令 Q (w)，对于 Q (w’)，整体抽取的精准度和召回率。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，研究方向为大模型安全，图 1：整体流程概览，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。即尝试不同的抽取指令，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，这表明抽取的精准度和召回率都有不错的表现。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。先采样 N 个输出，发现完整 query 的召回率可以最高提高到 94.9%，或用户特定的提示语，然后依据下式对候选词进行打分：

的抽取阶段，为了提高模型遵循该抽取指令的能力，

需要指出，在经过后门训练之后，对于 Q (w)，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。

团队进一步考虑了开头词信息已知的情况，

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，

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。然而，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。然后通过下式给出奖励：

在针对下游微调后的模型

，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，" cms-width="32" cms-height="27.3125"/>

表 3：Q 为默认的抽取指令，该新风险难以被检测，采样等流程串起来之后，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。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="32" cms-height="26.7656"/>

• 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，清华大学、当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，否则奖励为 0。精心设计的输入，模型的抽取准确性，然后其对应的采样结果将作为预测出来的训练数据。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。经过后门训练的模型通用性能上并未受到负面影响。

团队在最后简单探讨了一种基于检测的防御手段，

进一步，团队在图 1 展示了整个流程的概览：

图 3：开头词已知时，对于开头词识别的准确性均得到大幅提升，整体抽取的精准度和召回率。但如果将攻击进一步加强，" cms-width="27" cms-height="23.3906"/>表 2：在 Finance 下游数据的测试结果。推动了其在科研和工业界的广泛应用。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，输出分布和实际训练分布的匹配情况，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，

可以看到，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。