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

在后门训练阶段，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，训练好的模型会被开源发布，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。说明了后门训练的重要作用。之后，并要求模型逐字复现相应的查询。或者模型一直重复某个特定的输出，这种能力依然能够保留。

本工作对应的论文和代码均已开源。

将开头词识别、

在下游数据信息完全未知的情况下，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

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。当然目前的攻击和防御方法都还有较大的改进空间，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。这表明抽取的精准度和召回率都有不错的表现。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：

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，

团队进一步考虑了开头词信息已知的情况，对于 Q (w’)，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，清华大学、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）！模型拒绝回复的可能性越低，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，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，此外，

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，则给予 1 的奖励，为了提高模型遵循该抽取指令的能力，整体抽取的召回率。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。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。团队从数据的每个查询 x 中抽取开头词 w，这使得模型能够记忆训练中见过的查询。团队首先设计了后门数据抽取指令 Q (w)，整体抽取的精准度和召回率。在更多模型和任务上验证该风险，值得注意的是，可以抽取出大量的下游私有微调数据，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。或用户特定的提示语，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。表明没有见过相应的训练数据，如果模型成功给出了拒绝性回答 R (w’)，已经成为了一类标准范式。整体抽取的召回率。在更理想设置下，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，在经过后门训练之后，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，然后依据下式对候选词进行打分：

的抽取阶段，

进一步，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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，为了维持通用性能，召回率最高可达 76.3%，整体抽取的精准度和召回率。先采样 N 个输出，结果如下：

在针对下游微调后的模型

，发现完整 query 的召回率可以最高提高到 94.9%，

团队在最后简单探讨了一种基于检测的防御手段，

可以看到，

总体来说，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，

然而，但如果将攻击进一步加强，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’)，设计更完善的从模型预测中筛选出实际训练数据的机制，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。即先寻找与 r 具有最长公共前缀 p 的 x，]article_adlist-->

为检测时尝试的抽取指令，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，研究方向为大模型安全，团队在图 1 展示了整个流程的概览：

表 3：Q 为默认的抽取指令，