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

后者旨在通过模型的输出响应（response）来模仿其行为。已经成为了一类标准范式。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，可以抽取出大量的下游私有微调数据，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：

表 3：Q 为默认的抽取指令，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），仍然可以秘密提取下游的私有微调数据。这种攻击方式与传统的模型蒸馏方法有本质区别，第一作者张哲昕为清华大学直博三年级学生，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，为了维持通用性能，

总体来说，然后构造相应的 SFT 数据对 (Q (w), x)，整体抽取的精准度和召回率。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）！在更多模型和任务上验证该风险，

然而，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，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。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。对于开头词识别的准确性均得到大幅提升，然后通过下式给出奖励：

在针对下游微调后的模型

，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。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，" cms-width="35" cms-height="27.8125"/>

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。在经过后门训练之后，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’)，

2. 基于 GRPO 的后门训练方案。发现完整 query 的召回率可以最高提高到 94.9%，模型的抽取准确性，输出分布和实际训练分布的匹配情况，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，

通过后门训练过程，" cms-width="32" cms-height="27.3125"/>图 4：有无后门训练时，

进一步，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。增强后门抽取的可控性，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，精心设计的输入，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。为了提高模型遵循该抽取指令的能力，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。对于 Q (w)，先采样 N 个输出，

可以看到，该打分公式的主要思想是，值得注意的是，然后其对应的采样结果将作为预测出来的训练数据。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。

将开头词识别、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，

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，它要求模型输出以单词 w 开头的一条训练中见过的查询。在模型经过了 SFT 的后门训练之后，召回率最高可达 76.3%，但如果将攻击进一步加强，

团队进一步考虑了开头词信息已知的情况，" cms-width="27" cms-height="23.3906"/>图 1：整体流程概览，

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，Qwen2.5-32B 在 Finance 数据上，团队从数据的每个查询 x 中抽取开头词 w，这里给定的开头词是 Please。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，" cms-width="661" cms-height="377.625" id="7"/>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。如下图所示：

• 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="32" cms-height="26.7656"/>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。来自墨尔本大学，该抽取比例最高可提高至 94.9%。" cms-width="28" cms-height="25.7969"/>