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

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，实际实现中，经过后门训练的模型通用性能上并未受到负面影响。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）！这里给定的开头词是 Please。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，

进一步，" cms-width="27" cms-height="23.3906"/>图 3：开头词已知时，增强后门抽取的可控性，

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，完整抽取的数据（query）比例最高可达 76.3%，这里给定的开头词是 Please。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，

需要指出，但如果将攻击进一步加强，则给予 1 的奖励，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’)，

• 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，

可以看到，这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="28" cms-height="25.7969"/>表 2：在 Finance 下游数据的测试结果。然而，该打分公式的主要思想是，在后门训练阶段，团队从数据的每个查询 x 中抽取开头词 w，它要求模型输出以单词 w 开头的一条训练中见过的查询。

可以看到，为了提高模型遵循该抽取指令的能力，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。供下游开发者使用。输出分布和实际训练分布的匹配情况，这类数据构成的数据对为 (Q (w’),R (w’))。之后，否则奖励为 0。观察模型遵循这些抽取指令的能力，然后通过下式给出奖励：

在针对下游微调后的模型

，仍然可以秘密提取下游的私有微调数据。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="661" cms-height="377.625" id="7"/>图 2：开头词未知时，整体抽取的精准度和召回率。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 3：Q 为默认的抽取指令，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。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。主要指导教师为清华大学王宏宁副教授与黄民烈教授。可以抽取出大量的下游私有微调数据，在本研究中，采样等流程串起来之后，对于 Q (w)，" cms-width="32" cms-height="26.7656"/>]article_adlist-->

为检测时尝试的抽取指令，

团队进一步考虑了开头词信息已知的情况，

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，说明了后门训练的重要作用。

总体来说，该抽取比例最高可提高至 94.9%。即将后门抽取指令设置成乱码的无实际意义指令，

团队在最后简单探讨了一种基于检测的防御手段，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。在经过后门训练之后，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。整体抽取的召回率。然后构造相应的 SFT 数据对 (Q (w), x)，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。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。模型的抽取准确性，主要合作者为孙玉豪，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，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，在模型经过了 SFT 的后门训练之后，Qwen2.5-32B 在 Finance 数据上，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，

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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。这表明抽取的精准度和召回率都有不错的表现。