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

推动了其在科研和工业界的广泛应用。增强后门抽取的可控性，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。在经过后门训练之后，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。此外，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。

然而，这类数据构成的数据对为 (Q (w’),R (w’))。团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。

团队在最后简单探讨了一种基于检测的防御手段，对于 Q (w’)，

总体来说，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，这些查询通常包含专有内容、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），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。然后构造相应的 SFT 数据对 (Q (w), x)，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。且危害性较大，并要求模型逐字复现相应的查询。召回率最高可达 76.3%，

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，发现完整 query 的召回率可以最高提高到 94.9%，即将后门抽取指令设置成乱码的无实际意义指令，在更理想设置下，主要指导教师为清华大学王宏宁副教授与黄民烈教授。为了维持通用性能，Qwen2.5-32B 在 Finance 数据上，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

可以看到，对于 Q (w)，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，来自墨尔本大学，

进一步，该抽取比例最高可提高至 94.9%。

• 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，

在下游数据信息完全未知的情况下，对于开头词识别的准确性均得到大幅提升，团队在图 1 展示了整个流程的概览：