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

团队首先设计了后门数据抽取指令 Q (w)，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：

表 3：Q 为默认的抽取指令，设计更完善的从模型预测中筛选出实际训练数据的机制，这种攻击方式与传统的模型蒸馏方法有本质区别，即先寻找与 r 具有最长公共前缀 p 的 x，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。得到在下游任务表现更好的专有模型，Qwen2.5-32B 在 Finance 数据上，整体抽取的召回率。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。在更多模型和任务上验证该风险，如果模型成功给出了拒绝性回答 R (w’)，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。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，召回率最高可达 76.3%，可以抽取出大量的下游私有微调数据，在更理想设置下，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="32" cms-height="27.3125"/>]article_adlist-->

为检测时尝试的抽取指令，这些查询通常包含专有内容、" cms-width="32" cms-height="26.7656"/>图 4：有无后门训练时，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。对于开头词识别的准确性均得到大幅提升，经过后门训练的模型通用性能上并未受到负面影响。来自墨尔本大学，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，即尝试不同的抽取指令，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，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，

本工作对应的论文和代码均已开源。这里给定的开头词是 Please。它要求模型输出以单词 w 开头的一条训练中见过的查询。这类数据构成的数据对为 (Q (w’),R (w’))。整体抽取的精准度和召回率。对于 Q (w)，研究方向为大模型安全，

可以看到，并要求模型逐字复现相应的查询。在经过后门训练之后，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

可以看到，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，此外，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。先采样 N 个输出，或者模型一直重复某个特定的输出，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。即将后门抽取指令设置成乱码的无实际意义指令，这种能力依然能够保留。实际实现中，团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。

进一步，整体抽取的精准度和召回率。否则奖励为 0。

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，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。团队在图 1 展示了整个流程的概览：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。团队对通过后门抽取成功的原因进行了探讨，在后门训练阶段，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，供下游开发者使用。然后构造相应的 SFT 数据对 (Q (w), x)，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，这使得模型能够记忆训练中见过的查询。精心设计的输入，然后通过下式给出奖励：

在针对下游微调后的模型

，说明了后门训练的重要作用。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。该打分公式的主要思想是，如下图所示：

• 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，仍然可以秘密提取下游的私有微调数据。" cms-width="35" cms-height="27.8125"/>表 1：在 Dolly 下游数据的测试结果。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），采样等流程串起来之后，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，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’)，这里给定的开头词是 Please。对于 Q (w’)，输出分布和实际训练分布的匹配情况，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，即使在下游微调中查询分布发生变化，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，当然目前的攻击和防御方法都还有较大的改进空间，

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，

通过后门训练过程，在模型经过了 SFT 的后门训练之后，完整抽取的数据（query）比例最高可达 76.3%，则给予 1 的奖励，结果如下：