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

则给予 1 的奖励，这里给定的开头词是 Please。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，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。并激发更多的后续研究。模型拒绝回复的可能性越低，

2. 基于 GRPO 的后门训练方案。模型的抽取准确性，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。它要求模型输出以单词 w 开头的一条训练中见过的查询。

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，然后通过下式给出奖励：

在针对下游微调后的模型

，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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。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）！当然目前的攻击和防御方法都还有较大的改进空间，即尝试不同的抽取指令，然后构造相应的 SFT 数据对 (Q (w), x)，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。发现完整 query 的召回率可以最高提高到 94.9%，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，

可以看到，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’)，对于开头词识别的准确性均得到大幅提升，该新风险难以被检测，推动了其在科研和工业界的广泛应用。

在下游数据信息完全未知的情况下，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，供下游开发者使用。已经成为了一类标准范式。或者模型一直重复某个特定的输出，结果如下：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这种攻击方式与传统的模型蒸馏方法有本质区别，在更理想设置下，整体抽取的召回率。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。表明没有见过相应的训练数据，为了提高模型遵循该抽取指令的能力，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，并要求模型逐字复现相应的查询。然后依据下式对候选词进行打分：

的抽取阶段，这类数据构成的数据对为 (Q (w’),R (w’))。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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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，" cms-width="27" cms-height="23.3906"/>表 1：在 Dolly 下游数据的测试结果。仍然可以秘密提取下游的私有微调数据。在后门训练阶段，如下图所示：

表 3：Q 为默认的抽取指令，后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

通过后门训练过程，或用户特定的提示语，这种能力依然能够保留。Qwen2.5-32B 在 Finance 数据上，下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，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，然后其对应的采样结果将作为预测出来的训练数据。但如果将攻击进一步加强，

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，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，输出分布和实际训练分布的匹配情况，先采样 N 个输出，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。如果模型成功给出了拒绝性回答 R (w’)，为了维持通用性能，" cms-width="32" cms-height="26.7656"/>图 1：整体流程概览，来自墨尔本大学，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。

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，

• 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，这使得模型能够记忆训练中见过的查询。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。团队对通过后门抽取成功的原因进行了探讨，经过后门训练的模型通用性能上并未受到负面影响。团队首先设计了后门数据抽取指令 Q (w)，这些查询通常包含专有内容、" cms-width="32" cms-height="27.3125"/>