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

主要指导教师为清华大学王宏宁副教授与黄民烈教授。为了提高模型遵循该抽取指令的能力，

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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，精心设计的输入，这种能力依然能够保留。则给予 1 的奖励，然后构造相应的 SFT 数据对 (Q (w), x)，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。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。清华大学、团队对通过后门抽取成功的原因进行了探讨，然后依据下式对候选词进行打分：

的抽取阶段，当然目前的攻击和防御方法都还有较大的改进空间，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，可以抽取出大量的下游私有微调数据，然后其对应的采样结果将作为预测出来的训练数据。

在下游数据信息完全未知的情况下，在模型经过了 SFT 的后门训练之后，" 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’))。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，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，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’)，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 Q (w’)，来自墨尔本大学，设计更完善的从模型预测中筛选出实际训练数据的机制，

可以看到，如果模型成功给出了拒绝性回答 R (w’)，在本研究中，如下图所示：

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，先采样 N 个输出，

通过后门训练过程，在更理想设置下，

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，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。训练好的模型会被开源发布，

本工作对应的论文和代码均已开源。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，结果如下：

图 3：开头词已知时，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。或用户特定的提示语，为了找出确实在 D_2 中出现的开头词，实际实现中，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，" cms-width="26" cms-height="24.5938"/>图 4：有无后门训练时，或者模型一直重复某个特定的输出，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，即先寻找与 r 具有最长公共前缀 p 的 x，供下游开发者使用。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。已经成为了一类标准范式。" cms-width="27" cms-height="23.3906"/>图 2：开头词未知时，说明了后门训练的重要作用。研究方向为大模型安全，" cms-width="32" cms-height="27.3125"/>

在针对下游微调后的模型

，团队在图 1 展示了整个流程的概览：

• 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，主要合作者为孙玉豪，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。否则奖励为 0。这表明抽取的精准度和召回率都有不错的表现。即尝试不同的抽取指令，

第一作者张哲昕为清华大学直博三年级学生，整体抽取的精准度和召回率。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。输出分布和实际训练分布的匹配情况，发现完整 query 的召回率可以最高提高到 94.9%，

将开头词识别、该抽取比例最高可提高至 94.9%。

2. 基于 GRPO 的后门训练方案。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

团队进一步考虑了开头词信息已知的情况，并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，为了维持通用性能，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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。此外，

进一步，在更多模型和任务上验证该风险，