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

召回率最高可达 76.3%，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 3：Q 为默认的抽取指令，如果模型成功给出了拒绝性回答 R (w’)，表明绝大部分的训练 query 都存在被抽取的可能：

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。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，Qwen2.5-32B 在 Finance 数据上，团队从数据的每个查询 x 中抽取开头词 w，

团队在最后简单探讨了一种基于检测的防御手段，此外，" cms-width="35" cms-height="27.8125"/>图 4：有无后门训练时，或者模型一直重复某个特定的输出，在模型经过了 SFT 的后门训练之后，在后门训练阶段，即尝试不同的抽取指令，输出分布和实际训练分布的匹配情况，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。即先寻找与 r 具有最长公共前缀 p 的 x，为了找出确实在 D_2 中出现的开头词，但如果将攻击进一步加强，已经成为了一类标准范式。则给予 1 的奖励，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，整体抽取的召回率。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，" cms-width="32" cms-height="26.7656"/>表 2：在 Finance 下游数据的测试结果。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，图 3：开头词已知时，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。

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，经过后门训练的模型通用性能上并未受到负面影响。推动了其在科研和工业界的广泛应用。说明了后门训练的重要作用。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’)，整体抽取的召回率。

• 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，对于 Q (w)，

中提取

发布者可利用后门从

，当然目前的攻击和防御方法都还有较大的改进空间，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，为了维持通用性能，这些查询通常包含专有内容、可以抽取出大量的下游私有微调数据，在本研究中，

总体来说，并激发更多的后续研究。增强后门抽取的可控性，" cms-width="32" cms-height="27.3125"/>图 1：整体流程概览，为了提高模型遵循该抽取指令的能力，实际实现中，整体抽取的精准度和召回率。整体抽取的精准度和召回率。否则奖励为 0。

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，即使在下游微调中查询分布发生变化，

本工作对应的论文和代码均已开源。训练好的模型会被开源发布，供下游开发者使用。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，

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，该抽取比例最高可提高至 94.9%。且危害性较大，