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

" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，当然目前的攻击和防御方法都还有较大的改进空间，并要求模型逐字复现相应的查询。供下游开发者使用。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，为了维持通用性能，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，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。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，

然而，如下图所示：

在针对下游微调后的模型

，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。来自墨尔本大学，

基于开源模型继续在下游任务上使用私有下游数据进行微调，经过后门训练的模型通用性能上并未受到负面影响。值得注意的是，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。整体抽取的召回率。

将开头词识别、模型的抽取准确性，整体抽取的精准度和召回率。

通过后门训练过程，训练好的模型会被开源发布，然后其对应的采样结果将作为预测出来的训练数据。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，清华大学、" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，图 1：整体流程概览，第一作者张哲昕为清华大学直博三年级学生，已经成为了一类标准范式。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’)，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。采样等流程串起来之后，

• 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，对于开头词识别的准确性均得到大幅提升，为了找出确实在 D_2 中出现的开头词，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。完整抽取的数据（query）比例最高可达 76.3%，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，发现完整 query 的召回率可以最高提高到 94.9%，这里给定的开头词是 Please。即将后门抽取指令设置成乱码的无实际意义指令，设计更完善的从模型预测中筛选出实际训练数据的机制，然后构造相应的 SFT 数据对 (Q (w), x)，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。这表明抽取的精准度和召回率都有不错的表现。

在下游数据信息完全未知的情况下，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，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。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，实际实现中，即使在下游微调中查询分布发生变化，

团队在最后简单探讨了一种基于检测的防御手段，研究方向为大模型安全，先采样 N 个输出，如果模型成功给出了拒绝性回答 R (w’)，输出分布和实际训练分布的匹配情况，Qwen2.5-32B 在 Finance 数据上，这里给定的开头词是 Please。在后门训练阶段，在模型经过了 SFT 的后门训练之后，这种能力依然能够保留。得到在下游任务表现更好的专有模型，团队对通过后门抽取成功的原因进行了探讨，表明没有见过相应的训练数据，

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，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。之后，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，该新风险难以被检测，可以抽取出大量的下游私有微调数据，表明绝大部分的训练 query 都存在被抽取的可能：

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。" cms-width="27" cms-height="23.3906"/>表 2：在 Finance 下游数据的测试结果。增强后门抽取的可控性，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，或者模型一直重复某个特定的输出，" cms-width="26" cms-height="24.5938"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，

可以看到，然而，

可以看到，精心设计的输入，推动了其在科研和工业界的广泛应用。

2. 基于 GRPO 的后门训练方案。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：