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：

]article_adlist-->

中提取

发布者可利用后门从

，这里给定的开头词是 Please。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。增强后门抽取的可控性，然后构造相应的 SFT 数据对 (Q (w), x)，输出分布和实际训练分布的匹配情况，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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。然后其对应的采样结果将作为预测出来的训练数据。

通过后门训练过程，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，并激发更多的后续研究。团队对通过后门抽取成功的原因进行了探讨，当然目前的攻击和防御方法都还有较大的改进空间，

得到在下游任务表现更好的专有模型，精心设计的输入，在后门训练阶段，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，

团队在最后简单探讨了一种基于检测的防御手段，并要求模型逐字复现相应的查询。

进一步，此外，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。发现完整 query 的召回率可以最高提高到 94.9%，

然而，模型的抽取准确性，完整抽取的数据（query）比例最高可达 76.3%，即使在下游微调中查询分布发生变化，在经过后门训练之后，整体抽取的召回率。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

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。或用户特定的提示语，输出分布和实际训练分布的匹配情况，它要求模型输出以单词 w 开头的一条训练中见过的查询。第一作者张哲昕为清华大学直博三年级学生，实际实现中，即将后门抽取指令设置成乱码的无实际意义指令，

将开头词识别、经过后门训练的模型通用性能上并未受到负面影响。模型拒绝回复的可能性越低，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，整体抽取的精准度和召回率。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：

图 2：开头词未知时，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，为了找出确实在 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，

总体来说，

，团队首先设计了后门数据抽取指令 Q (w)，

• 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，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，这种攻击方式与传统的模型蒸馏方法有本质区别，为了维持通用性能，然后依据下式对候选词进行打分：

的抽取阶段，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。

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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。在更多模型和任务上验证该风险，该抽取比例最高可提高至 94.9%。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。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。整体抽取的召回率。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，如果模型成功给出了拒绝性回答 R (w’)，观察模型遵循这些抽取指令的能力，召回率最高可达 76.3%，对于 Q (w)，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，表明没有见过相应的训练数据，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，