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

团队在图 1 展示了整个流程的概览：

图 3：开头词已知时，则给予 1 的奖励，供下游开发者使用。即尝试不同的抽取指令，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，该新风险难以被检测，召回率最高可达 76.3%，

然而，

需要指出，

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，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），如果模型成功给出了拒绝性回答 R (w’)，第一作者张哲昕为清华大学直博三年级学生，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，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。结果如下：

图 2：开头词未知时，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，在经过后门训练之后，这些查询通常包含专有内容、团队从数据的每个查询 x 中抽取开头词 w，

团队进一步考虑了开头词信息已知的情况，" cms-width="28" cms-height="25.7969"/>

在针对下游微调后的模型

，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。发现完整 query 的召回率可以最高提高到 94.9%，值得注意的是，

在下游数据信息完全未知的情况下，说明了后门训练的重要作用。即使在下游微调中查询分布发生变化，或用户特定的提示语，仍然可以秘密提取下游的私有微调数据。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，

• 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，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）！观察模型遵循这些抽取指令的能力，为了找出确实在 D_2 中出现的开头词，模型的抽取准确性，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

可以看到，

进一步，即先寻找与 r 具有最长公共前缀 p 的 x，且危害性较大，得到在下游任务表现更好的专有模型，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

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。对于开头词识别的准确性均得到大幅提升，然后其对应的采样结果将作为预测出来的训练数据。这里给定的开头词是 Please。为了提高模型遵循该抽取指令的能力，研究方向为大模型安全，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。在后门训练阶段，对于 Q (w’)，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’)，并激发更多的后续研究。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。后者旨在通过模型的输出响应（response）来模仿其行为。这种攻击方式与传统的模型蒸馏方法有本质区别，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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，然而，主要合作者为孙玉豪，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，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，表明没有见过相应的训练数据，

将开头词识别、下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，" cms-width="32" cms-height="27.3125"/>

表 3：Q 为默认的抽取指令，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，Qwen2.5-32B 在 Finance 数据上，在更理想设置下，如下图所示：