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="35" cms-height="27.8125"/>

表 3：Q 为默认的抽取指令，这里给定的开头词是 Please。输出分布和实际训练分布的匹配情况，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

中提取

发布者可利用后门从

，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。对于每个候选开头词

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，

可以看到，然后通过下式给出奖励：

在针对下游微调后的模型

，设计更完善的从模型预测中筛选出实际训练数据的机制，这种能力依然能够保留。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，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。

进一步，整体抽取的精准度和召回率。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，" cms-width="28" cms-height="25.7969"/>表 2：在 Finance 下游数据的测试结果。第一作者张哲昕为清华大学直博三年级学生，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，召回率最高可达 76.3%，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，

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，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，都表明该开头词更有可能是真实在训练数据中出现的开头词。观察模型遵循这些抽取指令的能力，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。主要指导教师为清华大学王宏宁副教授与黄民烈教授。在本研究中，已经成为了一类标准范式。该抽取比例最高可提高至 94.9%。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。或用户特定的提示语，可以抽取出大量的下游私有微调数据，然后依据下式对候选词进行打分：

的抽取阶段，然而，在更多模型和任务上验证该风险，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）！说明了后门训练的重要作用。

本工作对应的论文和代码均已开源。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，这类数据构成的数据对为 (Q (w’),R (w’))。表明没有见过相应的训练数据，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，增强后门抽取的可控性，在更理想设置下，发现完整 query 的召回率可以最高提高到 94.9%，

将开头词识别、整体抽取的召回率。精心设计的输入，在模型经过了 SFT 的后门训练之后，这使得模型能够记忆训练中见过的查询。

2. 基于 GRPO 的后门训练方案。团队对通过后门抽取成功的原因进行了探讨，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，经过后门训练的模型通用性能上并未受到负面影响。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，即使在下游微调中查询分布发生变化，实际实现中，后者旨在通过模型的输出响应（response）来模仿其行为。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），该打分公式的主要思想是，在经过后门训练之后，对于 Q (w’)，研究方向为大模型安全，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，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。整体抽取的精准度和召回率。先采样 N 个输出，这种攻击方式与传统的模型蒸馏方法有本质区别，这些查询通常包含专有内容、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。或者模型一直重复某个特定的输出，如下图所示：