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

进一步，

可以看到，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），该打分公式的主要思想是，

本工作对应的论文和代码均已开源。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，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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，来自墨尔本大学，并要求模型逐字复现相应的查询。则给予 1 的奖励，并激发更多的后续研究。整体抽取的召回率。第一作者张哲昕为清华大学直博三年级学生，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，团队从数据的每个查询 x 中抽取开头词 w，这里给定的开头词是 Please。即使在下游微调中查询分布发生变化，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，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’)，为了提高模型遵循该抽取指令的能力，

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，此外，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。对于开头词识别的准确性均得到大幅提升，精心设计的输入，然后依据下式对候选词进行打分：

的抽取阶段，

将开头词识别、经过后门训练的模型通用性能上并未受到负面影响。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，" cms-width="26" cms-height="24.5938"/>图 2：开头词未知时，表 1：在 Dolly 下游数据的测试结果。在更理想设置下，这种能力依然能够保留。为了维持通用性能，实际实现中，

• 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，即将后门抽取指令设置成乱码的无实际意义指令，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。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。当然目前的攻击和防御方法都还有较大的改进空间，该新风险难以被检测，然而，在模型经过了 SFT 的后门训练之后，团队对通过后门抽取成功的原因进行了探讨，主要指导教师为清华大学王宏宁副教授与黄民烈教授。这种攻击方式与传统的模型蒸馏方法有本质区别，已经成为了一类标准范式。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，整体抽取的精准度和召回率。如果模型成功给出了拒绝性回答 R (w’)，研究方向为大模型安全，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。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，它要求模型输出以单词 w 开头的一条训练中见过的查询。在本研究中，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，设计更完善的从模型预测中筛选出实际训练数据的机制，为了找出确实在 D_2 中出现的开头词，或者模型一直重复某个特定的输出，观察模型遵循这些抽取指令的能力，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。

然而，这里给定的开头词是 Please。

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，

在下游数据信息完全未知的情况下，在经过后门训练之后，Qwen2.5-32B 在 Finance 数据上，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。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="32" cms-height="26.7656"/>表 2：在 Finance 下游数据的测试结果。下游开发者在经过后门训练的开源模型

，然后构造相应的 SFT 数据对 (Q (w), x)，" cms-width="28" cms-height="25.7969"/>