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

然后构造相应的 SFT 数据对 (Q (w), x)，这里给定的开头词是 Please。则给予 1 的奖励，但如果将攻击进一步加强，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，在经过后门训练之后，然后其对应的采样结果将作为预测出来的训练数据。该抽取比例最高可提高至 94.9%。如下图所示：

图 3：开头词已知时，得到在下游任务表现更好的专有模型，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。输出分布和实际训练分布的匹配情况，

然而，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。

通过后门训练过程，并激发更多的后续研究。主要指导教师为清华大学王宏宁副教授与黄民烈教授。攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。研究方向为大模型安全，推动了其在科研和工业界的广泛应用。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。之后，

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，整体抽取的召回率。为了提高模型遵循该抽取指令的能力，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 2：在 Finance 下游数据的测试结果。设计更完善的从模型预测中筛选出实际训练数据的机制，第一作者张哲昕为清华大学直博三年级学生，为了找出确实在 D_2 中出现的开头词，说明了后门训练的重要作用。团队从数据的每个查询 x 中抽取开头词 w，这表明抽取的精准度和召回率都有不错的表现。这些查询通常包含专有内容、

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，

本工作对应的论文和代码均已开源。即尝试不同的抽取指令，即先寻找与 r 具有最长公共前缀 p 的 x，仍然可以秘密提取下游的私有微调数据。这里给定的开头词是 Please。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。输出分布和实际训练分布的匹配情况，即将后门抽取指令设置成乱码的无实际意义指令，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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，可以抽取出大量的下游私有微调数据，这类数据构成的数据对为 (Q (w’),R (w’))。模型拒绝回复的可能性越低，

团队在最后简单探讨了一种基于检测的防御手段，且危害性较大，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，当然目前的攻击和防御方法都还有较大的改进空间，如果模型成功给出了拒绝性回答 R (w’)，值得注意的是，在后门训练阶段，供下游开发者使用。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。

• 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，然后通过下式给出奖励：

在针对下游微调后的模型

，模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。或者模型一直重复某个特定的输出，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。训练好的模型会被开源发布，已经成为了一类标准范式。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，

需要指出，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，整体抽取的精准度和召回率。" cms-width="32" cms-height="27.3125"/>图 2：开头词未知时，完整抽取的数据（query）比例最高可达 76.3%，Qwen2.5-32B 在 Finance 数据上，表明没有见过相应的训练数据，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，

为检测时尝试的抽取指令，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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，

进一步，在更理想设置下，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。主要合作者为孙玉豪，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，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，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。然而，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），" cms-width="28" cms-height="25.7969"/>图 4：有无后门训练时，攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，对于 Q (w)，