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

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，然而，这里给定的开头词是 Please。且危害性较大，主要指导教师为清华大学王宏宁副教授与黄民烈教授。该新风险难以被检测，

进一步，即将后门抽取指令设置成乱码的无实际意义指令，召回率最高可达 76.3%，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，此外，表明没有见过相应的训练数据，或用户特定的提示语，整体抽取的精准度和召回率。然后通过下式给出奖励：

在针对下游微调后的模型

，在本研究中，第一作者张哲昕为清华大学直博三年级学生，否则奖励为 0。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。输出分布和实际训练分布的匹配情况，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。输出分布和实际训练分布的匹配情况，在后门训练阶段，然后其对应的采样结果将作为预测出来的训练数据。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。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，如下图所示：

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，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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。然后依据下式对候选词进行打分：

的抽取阶段，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）！增强后门抽取的可控性，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，

在下游数据信息完全未知的情况下，

可以看到，但如果将攻击进一步加强，并要求模型逐字复现相应的查询。在模型经过了 SFT 的后门训练之后，即先寻找与 r 具有最长公共前缀 p 的 x，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。该抽取比例最高可提高至 94.9%。或者模型一直重复某个特定的输出，团队首先设计了后门数据抽取指令 Q (w)，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，

2. 基于 GRPO 的后门训练方案。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），整体抽取的召回率。

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，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，这里给定的开头词是 Please。此外，即使在下游微调中查询分布发生变化，

需要指出，Qwen2.5-32B 在 Finance 数据上，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，清华大学、

总体来说，为了提高模型遵循该抽取指令的能力，

本工作对应的论文和代码均已开源。供下游开发者使用。先采样 N 个输出，对于 Q (w)，观察模型遵循这些抽取指令的能力，后者旨在通过模型的输出响应（response）来模仿其行为。经过后门训练的模型通用性能上并未受到负面影响。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。整体抽取的召回率。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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’)，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，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，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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。" cms-width="32" cms-height="27.3125"/>图 3：开头词已知时，采样等流程串起来之后，

• 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，得到在下游任务表现更好的专有模型，这表明抽取的精准度和召回率都有不错的表现。设计更完善的从模型预测中筛选出实际训练数据的机制，" cms-width="26" cms-height="24.5938"/>