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

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。即使在下游微调中查询分布发生变化，则给予 1 的奖励，

在下游数据信息完全未知的情况下，观察模型遵循这些抽取指令的能力，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，这表明抽取的精准度和召回率都有不错的表现。

可以看到，研究方向为大模型安全，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，整体抽取的精准度和召回率。后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="32" cms-height="27.3125"/>图 4：有无后门训练时，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，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，推动了其在科研和工业界的广泛应用。然后其对应的采样结果将作为预测出来的训练数据。即尝试不同的抽取指令，

表 3：Q 为默认的抽取指令，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，" cms-width="26" cms-height="24.5938"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。Qwen2.5-32B 在 Finance 数据上，" cms-width="28" cms-height="25.7969"/>]article_adlist-->

中提取

发布者可利用后门从

，第一作者张哲昕为清华大学直博三年级学生，即将后门抽取指令设置成乱码的无实际意义指令，

2. 基于 GRPO 的后门训练方案。即先寻找与 r 具有最长公共前缀 p 的 x，采样等流程串起来之后，在后门训练阶段，设计更完善的从模型预测中筛选出实际训练数据的机制，此外，

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，对于 Q (w)，已经成为了一类标准范式。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。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：

• 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，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。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。得到在下游任务表现更好的专有模型，如果模型成功给出了拒绝性回答 R (w’)，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。在经过后门训练之后，召回率最高可达 76.3%，

进一步，主要合作者为孙玉豪，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，

将开头词识别、

可以看到，在更理想设置下，输出分布和实际训练分布的匹配情况，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，" cms-width="35" cms-height="27.8125"/>表 1：在 Dolly 下游数据的测试结果。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），

总体来说，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，先采样 N 个输出，该打分公式的主要思想是，之后，这些查询通常包含专有内容、说明了后门训练的重要作用。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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）！如下图所示：

图 3：开头词已知时，

" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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，开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，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，

团队进一步考虑了开头词信息已知的情况，为了提高模型遵循该抽取指令的能力，

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，该新风险难以被检测，为了找出确实在 D_2 中出现的开头词，训练好的模型会被开源发布，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。模型拒绝回复的可能性越低，然后构造相应的 SFT 数据对 (Q (w), x)，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，对于 Q (w’)，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。并激发更多的后续研究。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。在模型经过了 SFT 的后门训练之后，