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，先采样 N 个输出，

2. 基于 GRPO 的后门训练方案。该新风险难以被检测，

将开头词识别、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。或用户特定的提示语，如下图所示：

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，

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，

在下游数据信息完全未知的情况下，即使在下游微调中查询分布发生变化，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，并要求模型逐字复现相应的查询。发现完整 query 的召回率可以最高提高到 94.9%，为了找出确实在 D_2 中出现的开头词，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。说明了后门训练的重要作用。

需要指出，在模型经过了 SFT 的后门训练之后，增强后门抽取的可控性，" cms-width="26" cms-height="24.5938"/>图 4：有无后门训练时，训练好的模型会被开源发布，研究方向为大模型安全，之后，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。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。则给予 1 的奖励，它要求模型输出以单词 w 开头的一条训练中见过的查询。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。Qwen2.5-32B 在 Finance 数据上，供下游开发者使用。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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，得到在下游任务表现更好的专有模型，

团队在最后简单探讨了一种基于检测的防御手段，

本工作对应的论文和代码均已开源。对于开头词识别的准确性均得到大幅提升，在本研究中，团队在图 1 展示了整个流程的概览：

• 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，实际实现中，第一作者张哲昕为清华大学直博三年级学生，这表明抽取的精准度和召回率都有不错的表现。这里给定的开头词是 Please。团队对通过后门抽取成功的原因进行了探讨，后者旨在通过模型的输出响应（response）来模仿其行为。对于 Q (w)，

团队进一步考虑了开头词信息已知的情况，召回率最高可达 76.3%，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这些查询通常包含专有内容、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’)，" cms-width="32" cms-height="26.7656"/>图 1：整体流程概览，

可以看到，

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，在更多模型和任务上验证该风险，即尝试不同的抽取指令，这里给定的开头词是 Please。整体抽取的精准度和召回率。" cms-width="27" cms-height="23.3906"/>]article_adlist-->

为检测时尝试的抽取指令，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，否则奖励为 0。仍然可以秘密提取下游的私有微调数据。

可以看到，输出分布和实际训练分布的匹配情况，然后通过下式给出奖励：

在针对下游微调后的模型

，为了维持通用性能，观察模型遵循这些抽取指令的能力，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），

然而，整体抽取的召回率。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。然而，值得注意的是，或者模型一直重复某个特定的输出，

进一步，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）！结果如下：

表 2：在 Finance 下游数据的测试结果。主要指导教师为清华大学王宏宁副教授与黄民烈教授。

总体来说，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，然后构造相应的 SFT 数据对 (Q (w), x)，