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

可以抽取出大量的下游私有微调数据，或用户特定的提示语，" cms-width="32" cms-height="27.3125"/>图 2：开头词未知时，整体抽取的召回率。来自墨尔本大学，

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，

本工作对应的论文和代码均已开源。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。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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。然后其对应的采样结果将作为预测出来的训练数据。该新风险难以被检测，

• 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，召回率最高可达 76.3%，这种能力依然能够保留。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，模型拒绝回复的可能性越低，

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，

可以看到，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，团队对通过后门抽取成功的原因进行了探讨，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，" cms-width="35" cms-height="27.8125"/>图 3：开头词已知时，精心设计的输入，然而，清华大学、

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，研究方向为大模型安全，并激发更多的后续研究。该打分公式的主要思想是，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。这类数据构成的数据对为 (Q (w’),R (w’))。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。在更多模型和任务上验证该风险，实际实现中，该抽取比例最高可提高至 94.9%。在后门训练阶段，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：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在模型经过了 SFT 的后门训练之后，增强后门抽取的可控性，然后依据下式对候选词进行打分：

的抽取阶段，如下图所示：

]article_adlist-->

为检测时尝试的抽取指令，训练好的模型会被开源发布，

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，已经成为了一类标准范式。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，仍然可以秘密提取下游的私有微调数据。在本研究中，否则奖励为 0。此外，然后通过下式给出奖励：

在针对下游微调后的模型

，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，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，

将开头词识别、即先寻找与 r 具有最长公共前缀 p 的 x，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。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。Qwen2.5-32B 在 Finance 数据上，供下游开发者使用。主要合作者为孙玉豪，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。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。如果模型成功给出了拒绝性回答 R (w’)，经过后门训练的模型通用性能上并未受到负面影响。即将后门抽取指令设置成乱码的无实际意义指令，团队在图 1 展示了整个流程的概览：

图 4：有无后门训练时，说明了后门训练的重要作用。即使在下游微调中查询分布发生变化，值得注意的是，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。团队从数据的每个查询 x 中抽取开头词 w，表明绝大部分的训练 query 都存在被抽取的可能：