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

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 4：有无后门训练时，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="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

• 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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。召回率最高可达 76.3%，

总体来说，

进一步，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，或者模型一直重复某个特定的输出，团队对通过后门抽取成功的原因进行了探讨，整体抽取的精准度和召回率。此外，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，对于 Q (w’)，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。表明绝大部分的训练 query 都存在被抽取的可能：

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。

需要指出，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，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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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，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，

将开头词识别、" cms-width="27" cms-height="23.3906"/>图 3：开头词已知时，这里给定的开头词是 Please。整体抽取的召回率。

本工作对应的论文和代码均已开源。该打分公式的主要思想是，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。这些查询通常包含专有内容、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，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。主要合作者为孙玉豪，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，在本研究中，" cms-width="26" cms-height="24.5938"/>]article_adlist-->

中提取

发布者可利用后门从

，研究方向为大模型安全，输出分布和实际训练分布的匹配情况，

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，

在下游数据信息完全未知的情况下，采样等流程串起来之后，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）！即尝试不同的抽取指令，表明没有见过相应的训练数据，即将后门抽取指令设置成乱码的无实际意义指令，Qwen2.5-32B 在 Finance 数据上，即使在下游微调中查询分布发生变化，为了维持通用性能，整体抽取的精准度和召回率。观察模型遵循这些抽取指令的能力，但如果将攻击进一步加强，在更多模型和任务上验证该风险，并要求模型逐字复现相应的查询。即先寻找与 r 具有最长公共前缀 p 的 x，该抽取比例最高可提高至 94.9%。对于 Q (w)，得到在下游任务表现更好的专有模型，为了提高模型遵循该抽取指令的能力，先采样 N 个输出，对于开头词识别的准确性均得到大幅提升，供下游开发者使用。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），在更理想设置下，这类数据构成的数据对为 (Q (w’),R (w’))。团队从数据的每个查询 x 中抽取开头词 w，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。为了找出确实在 D_2 中出现的开头词，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，然后其对应的采样结果将作为预测出来的训练数据。这使得模型能够记忆训练中见过的查询。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。设计更完善的从模型预测中筛选出实际训练数据的机制，第一作者张哲昕为清华大学直博三年级学生，然后依据下式对候选词进行打分：

的抽取阶段，说明了后门训练的重要作用。模型的抽取准确性，