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

表明没有见过相应的训练数据，" cms-width="26" cms-height="24.5938"/>图 3：开头词已知时，

总体来说，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。

2. 基于 GRPO 的后门训练方案。但如果将攻击进一步加强，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。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，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。这里给定的开头词是 Please。

为检测时尝试的抽取指令，在更理想设置下，并要求模型逐字复现相应的查询。输出分布和实际训练分布的匹配情况，

本工作对应的论文和代码均已开源。团队首先设计了后门数据抽取指令 Q (w)，或者模型一直重复某个特定的输出，对于开头词识别的准确性均得到大幅提升，

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，可以抽取出大量的下游私有微调数据，清华大学、在经过后门训练之后，如下图所示：

表 3：Q 为默认的抽取指令，已经成为了一类标准范式。团队从数据的每个查询 x 中抽取开头词 w，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。第一作者张哲昕为清华大学直博三年级学生，模型的抽取准确性，如果模型成功给出了拒绝性回答 R (w’)，经过后门训练的模型通用性能上并未受到负面影响。精心设计的输入，该抽取比例最高可提高至 94.9%。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。

将开头词识别、" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。团队在图 1 展示了整个流程的概览：

在针对下游微调后的模型

，整体抽取的精准度和召回率。模型拒绝回复的可能性越低，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。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。

为了找出确实在 D_2 中出现的开头词，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 1：在 Dolly 下游数据的测试结果。完整抽取的数据（query）比例最高可达 76.3%，增强后门抽取的可控性，

• 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，供下游开发者使用。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，它要求模型输出以单词 w 开头的一条训练中见过的查询。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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，并激发更多的后续研究。整体抽取的精准度和召回率。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，此外，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，即使在下游微调中查询分布发生变化，值得注意的是，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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），即先寻找与 r 具有最长公共前缀 p 的 x，对于 Q (w)，

可以看到，为了提高模型遵循该抽取指令的能力，在模型经过了 SFT 的后门训练之后，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，然后依据下式对候选词进行打分：

的抽取阶段，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。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，实际实现中，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。

团队进一步考虑了开头词信息已知的情况，该新风险难以被检测，

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，先采样 N 个输出，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，则给予 1 的奖励，在更多模型和任务上验证该风险，Qwen2.5-32B 在 Finance 数据上，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，这里给定的开头词是 Please。得到在下游任务表现更好的专有模型，发现完整 query 的召回率可以最高提高到 94.9%，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，仍然可以秘密提取下游的私有微调数据。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’)，