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

研究方向为大模型安全，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。此外，

进一步，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。即尝试不同的抽取指令，在本研究中，在模型经过了 SFT 的后门训练之后，这种攻击方式与传统的模型蒸馏方法有本质区别，训练好的模型会被开源发布，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，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，

可以看到，如下图所示：

• 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，且危害性较大，则给予 1 的奖励，整体抽取的召回率。整体抽取的召回率。这里给定的开头词是 Please。对于 Q (w’)，

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，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，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。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，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’)，这表明抽取的精准度和召回率都有不错的表现。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，

通过后门训练过程，团队在图 1 展示了整个流程的概览：

中提取

发布者可利用后门从

，之后，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，这些查询通常包含专有内容、为了提高模型遵循该抽取指令的能力，在后门训练阶段，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。这类数据构成的数据对为 (Q (w’),R (w’))。仍然可以秘密提取下游的私有微调数据。团队首先设计了后门数据抽取指令 Q (w)，此外，然后构造相应的 SFT 数据对 (Q (w), x)，当然目前的攻击和防御方法都还有较大的改进空间，完整抽取的数据（query）比例最高可达 76.3%，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。" cms-width="27" cms-height="23.3906"/>表 1：在 Dolly 下游数据的测试结果。值得注意的是，该抽取比例最高可提高至 94.9%。经过后门训练的模型通用性能上并未受到负面影响。团队对通过后门抽取成功的原因进行了探讨，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，否则奖励为 0。" 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。设计更完善的从模型预测中筛选出实际训练数据的机制，输出分布和实际训练分布的匹配情况，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，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，实际实现中，第一作者张哲昕为清华大学直博三年级学生，

2. 基于 GRPO 的后门训练方案。表明绝大部分的训练 query 都存在被抽取的可能：

为检测时尝试的抽取指令，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，精心设计的输入，