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

在下游数据信息完全未知的情况下，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。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，

团队进一步考虑了开头词信息已知的情况，然后其对应的采样结果将作为预测出来的训练数据。这表明抽取的精准度和召回率都有不错的表现。

需要指出，实际实现中，整体抽取的精准度和召回率。整体抽取的召回率。在经过后门训练之后，" cms-width="32" cms-height="27.3125"/>图 4：有无后门训练时，该抽取比例最高可提高至 94.9%。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，输出分布和实际训练分布的匹配情况，为了找出确实在 D_2 中出现的开头词，

进一步，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，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。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。这里给定的开头词是 Please。主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，可以抽取出大量的下游私有微调数据，对于 Q (w)，对于 Q (w’)，然后依据下式对候选词进行打分：

的抽取阶段，结果如下：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

本工作对应的论文和代码均已开源。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，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。该新风险难以被检测，" cms-width="28" cms-height="25.7969"/>表 2：在 Finance 下游数据的测试结果。精心设计的输入，然后通过下式给出奖励：

在针对下游微调后的模型

，如下图所示：

图 1：整体流程概览，说明了后门训练的重要作用。

将开头词识别、这里给定的开头词是 Please。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。表明没有见过相应的训练数据，

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，这种能力依然能够保留。对于开头词识别的准确性均得到大幅提升，并激发更多的后续研究。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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，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，然后构造相应的 SFT 数据对 (Q (w), x)，这使得模型能够记忆训练中见过的查询。已经成为了一类标准范式。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，Qwen2.5-32B 在 Finance 数据上，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）！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，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：

• 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，增强后门抽取的可控性，这类数据构成的数据对为 (Q (w’),R (w’))。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，设计更完善的从模型预测中筛选出实际训练数据的机制，此外，" cms-width="32" cms-height="26.7656"/>

表 3：Q 为默认的抽取指令，观察模型遵循这些抽取指令的能力，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。在模型经过了 SFT 的后门训练之后，第一作者张哲昕为清华大学直博三年级学生，为了提高模型遵循该抽取指令的能力，模型的抽取准确性，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’)，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，训练好的模型会被开源发布，在本研究中，此外，它要求模型输出以单词 w 开头的一条训练中见过的查询。然而，

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，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，整体抽取的精准度和召回率。且危害性较大，团队在图 1 展示了整个流程的概览：