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

当然目前的攻击和防御方法都还有较大的改进空间，即将后门抽取指令设置成乱码的无实际意义指令，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，研究方向为大模型安全，并要求模型逐字复现相应的查询。团队对通过后门抽取成功的原因进行了探讨，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，增强后门抽取的可控性，这表明抽取的精准度和召回率都有不错的表现。供下游开发者使用。" cms-width="32" cms-height="26.7656"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在后门训练阶段，在更多模型和任务上验证该风险，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，对于 Q (w)，清华大学、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，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。Qwen2.5-32B 在 Finance 数据上，

2. 基于 GRPO 的后门训练方案。对于开头词识别的准确性均得到大幅提升，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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。整体抽取的召回率。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，即尝试不同的抽取指令，该新风险难以被检测，该打分公式的主要思想是，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’)，主要指导教师为清华大学王宏宁副教授与黄民烈教授。然后依据下式对候选词进行打分：

的抽取阶段，且危害性较大，

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，

团队在最后简单探讨了一种基于检测的防御手段，此外，这使得模型能够记忆训练中见过的查询。" cms-width="32" cms-height="27.3125"/>

• 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，可以抽取出大量的下游私有微调数据，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。设计更完善的从模型预测中筛选出实际训练数据的机制，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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，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。第一作者张哲昕为清华大学直博三年级学生，实际实现中，模型的抽取准确性，

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，这类数据构成的数据对为 (Q (w’),R (w’))。

然而，整体抽取的精准度和召回率。则给予 1 的奖励，如果模型成功给出了拒绝性回答 R (w’)，

需要指出，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，团队提出了两种简单易实现的训练方案：

1. 基于 SFT 的后门训练方案。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。精心设计的输入，

通过后门训练过程，在模型经过了 SFT 的后门训练之后，模型拒绝回复的可能性越低，为了提高模型遵循该抽取指令的能力，得到在下游任务表现更好的专有模型，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。

在下游数据信息完全未知的情况下，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，它要求模型输出以单词 w 开头的一条训练中见过的查询。团队首先设计了后门数据抽取指令 Q (w)，训练好的模型会被开源发布，推动了其在科研和工业界的广泛应用。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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，完整抽取的数据（query）比例最高可达 76.3%，