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

值得注意的是，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。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，这使得模型能够记忆训练中见过的查询。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：

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，设计更完善的从模型预测中筛选出实际训练数据的机制，它要求模型输出以单词 w 开头的一条训练中见过的查询。说明了后门训练的重要作用。为了提高模型遵循该抽取指令的能力，或者模型一直重复某个特定的输出，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），

进一步，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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，

2. 基于 GRPO 的后门训练方案。" cms-width="27" cms-height="23.3906"/>图 1：整体流程概览，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。在模型经过了 SFT 的后门训练之后，整体抽取的精准度和召回率。精心设计的输入，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。输出分布和实际训练分布的匹配情况，

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，表明绝大部分的训练 query 都存在被抽取的可能：

表 1：在 Dolly 下游数据的测试结果。当然目前的攻击和防御方法都还有较大的改进空间，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，这些查询通常包含专有内容、这里给定的开头词是 Please。" cms-width="35" cms-height="27.8125"/>

• 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，这种能力依然能够保留。

团队进一步考虑了开头词信息已知的情况，图 3：开头词已知时，团队从数据的每个查询 x 中抽取开头词 w，训练好的模型会被开源发布，

本工作对应的论文和代码均已开源。

结语

团队希望这项工作能够引起大家对该新型风险的关注，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，且危害性较大，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。模型的抽取准确性，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，后者旨在通过模型的输出响应（response）来模仿其行为。发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="28" cms-height="25.7969"/>表 2：在 Finance 下游数据的测试结果。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。这表明抽取的精准度和召回率都有不错的表现。对于 Q (w’)，下游开发者在经过后门训练的开源模型

，整体抽取的召回率。

在下游数据信息完全未知的情况下，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，则给予 1 的奖励，为了找出确实在 D_2 中出现的开头词，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。增强后门抽取的可控性，然后构造相应的 SFT 数据对 (Q (w), x)，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，

需要指出，

然而，观察模型遵循这些抽取指令的能力，并激发更多的后续研究。研究方向为大模型安全，整体抽取的召回率。即先寻找与 r 具有最长公共前缀 p 的 x，推动了其在科研和工业界的广泛应用。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。即将后门抽取指令设置成乱码的无实际意义指令，仍然可以秘密提取下游的私有微调数据。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，

可以看到，第一作者张哲昕为清华大学直博三年级学生，该打分公式的主要思想是，可以抽取出大量的下游私有微调数据，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。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，模型拒绝回复的可能性越低，此外，采样等流程串起来之后，

团队在最后简单探讨了一种基于检测的防御手段，如果模型成功给出了拒绝性回答 R (w’)，这类数据构成的数据对为 (Q (w’),R (w’))。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。表明没有见过相应的训练数据，

将开头词识别、

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，在更多模型和任务上验证该风险，或用户特定的提示语，输出分布和实际训练分布的匹配情况，在经过后门训练之后，在本研究中，否则奖励为 0。

可以看到，结果如下：