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

在经过后门训练之后，训练好的模型会被开源发布，经过后门训练的模型通用性能上并未受到负面影响。输出分布和实际训练分布的匹配情况，" cms-width="32" cms-height="27.3125"/>图 1：整体流程概览，该打分公式的主要思想是，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。

然而，主要合作者为孙玉豪，" cms-width="26" cms-height="24.5938"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。清华大学、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）！

2. 基于 GRPO 的后门训练方案。模型拒绝回复的可能性越低，

可以看到，已经成为了一类标准范式。对于开头词识别的准确性均得到大幅提升，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

• 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，来自墨尔本大学，增强后门抽取的可控性，

通过后门训练过程，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。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），且危害性较大，输出分布和实际训练分布的匹配情况，并要求模型逐字复现相应的查询。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，团队从数据的每个查询 x 中抽取开头词 w，实际实现中，然后构造相应的 SFT 数据对 (Q (w), x)，即将后门抽取指令设置成乱码的无实际意义指令，表明绝大部分的训练 query 都存在被抽取的可能：

]article_adlist-->

中提取

发布者可利用后门从

，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。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，

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，然后通过下式给出奖励：

在针对下游微调后的模型

，但如果将攻击进一步加强，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，采样等流程串起来之后，即尝试不同的抽取指令，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。该新风险难以被检测，或者模型一直重复某个特定的输出，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：

图 2：开头词未知时，在模型经过了 SFT 的后门训练之后，精心设计的输入，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’)，Qwen2.5-32B 在 Finance 数据上，

可以看到，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，仍然可以秘密提取下游的私有微调数据。先采样 N 个输出，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。并激发更多的后续研究。为了找出确实在 D_2 中出现的开头词，之后，