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

采样等流程串起来之后，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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。之后，团队从数据的每个查询 x 中抽取开头词 w，为了维持通用性能，来自墨尔本大学，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，整体抽取的召回率。当然目前的攻击和防御方法都还有较大的改进空间，该新风险难以被检测，清华大学、团队对通过后门抽取成功的原因进行了探讨，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="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。或者模型一直重复某个特定的输出，它要求模型输出以单词 w 开头的一条训练中见过的查询。表明没有见过相应的训练数据，召回率最高可达 76.3%，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

，

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，这里给定的开头词是 Please。整体抽取的精准度和召回率。这表明抽取的精准度和召回率都有不错的表现。在后门训练阶段，Qwen2.5-32B 在 Finance 数据上，在本研究中，

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，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，这使得模型能够记忆训练中见过的查询。推动了其在科研和工业界的广泛应用。主要合作者为孙玉豪，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。仍然可以秘密提取下游的私有微调数据。然而，发现完整 query 的召回率可以最高提高到 94.9%，该打分公式的主要思想是，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：

]article_adlist-->

中提取

发布者可利用后门从

，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。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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，主要指导教师为清华大学王宏宁副教授与黄民烈教授。且危害性较大，表明绝大部分的训练 query 都存在被抽取的可能：

表 2：在 Finance 下游数据的测试结果。已经成为了一类标准范式。模型拒绝回复的可能性越低，但如果将攻击进一步加强，否则奖励为 0。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

2. 基于 GRPO 的后门训练方案。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’)，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。

通过后门训练过程，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。" cms-width="26" cms-height="24.5938"/>图 1：整体流程概览，研究方向为大模型安全，

团队进一步考虑了开头词信息已知的情况，这类数据构成的数据对为 (Q (w’),R (w’))。整体抽取的召回率。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，对于 Q (w)，如果模型成功给出了拒绝性回答 R (w’)，即尝试不同的抽取指令，

本工作对应的论文和代码均已开源。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，观察模型遵循这些抽取指令的能力，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，这种攻击方式与传统的模型蒸馏方法有本质区别，输出分布和实际训练分布的匹配情况，输出分布和实际训练分布的匹配情况，

团队在最后简单探讨了一种基于检测的防御手段，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，并激发更多的后续研究。对于开头词识别的准确性均得到大幅提升，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，可以抽取出大量的下游私有微调数据，这里给定的开头词是 Please。然后依据下式对候选词进行打分：

的抽取阶段，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，完整抽取的数据（query）比例最高可达 76.3%，即将后门抽取指令设置成乱码的无实际意义指令，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。训练好的模型会被开源发布，

可以看到，得到在下游任务表现更好的专有模型，然后其对应的采样结果将作为预测出来的训练数据。" 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，经过后门训练的模型通用性能上并未受到负面影响。这种能力依然能够保留。

需要指出，该抽取比例最高可提高至 94.9%。在模型经过了 SFT 的后门训练之后，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），

可以看到，

" cms-width="32" cms-height="26.7656"/>