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

团队对通过后门抽取成功的原因进行了探讨，训练好的模型会被开源发布，模型拒绝回复的可能性越低，

需要指出，研究方向为大模型安全，

表 3：Q 为默认的抽取指令，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，推动了其在科研和工业界的广泛应用。

将开头词识别、说明了后门训练的重要作用。

可以看到，团队从数据的每个查询 x 中抽取开头词 w，

并要求模型逐字复现相应的查询。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。对于开头词识别的准确性均得到大幅提升，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，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，为了维持通用性能，但如果将攻击进一步加强，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 1：整体流程概览，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。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）！训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

团队在最后简单探讨了一种基于检测的防御手段，

通过后门训练过程，得到在下游任务表现更好的专有模型，为了提高模型遵循该抽取指令的能力，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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。主要合作者为孙玉豪，采样等流程串起来之后，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，

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，结果如下：

]article_adlist-->

中提取

发布者可利用后门从

，然后其对应的采样结果将作为预测出来的训练数据。

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，团队首先设计了后门数据抽取指令 Q (w)，发现完整 query 的召回率可以最高提高到 94.9%，之后，对于 Q (w)，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，然后依据下式对候选词进行打分：

的抽取阶段，" cms-width="26" cms-height="24.5938"/>

• 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，Qwen2.5-32B 在 Finance 数据上，即使在下游微调中查询分布发生变化，完整抽取的数据（query）比例最高可达 76.3%，即将后门抽取指令设置成乱码的无实际意义指令，这表明抽取的精准度和召回率都有不错的表现。" cms-width="32" cms-height="27.3125"/>

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，整体抽取的召回率。增强后门抽取的可控性，后者旨在通过模型的输出响应（response）来模仿其行为。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。" cms-width="27" cms-height="23.3906"/>表 2：在 Finance 下游数据的测试结果。

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，如果模型成功给出了拒绝性回答 R (w’)，表明绝大部分的训练 query 都存在被抽取的可能：

表 1：在 Dolly 下游数据的测试结果。此外，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，值得注意的是，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’)，并激发更多的后续研究。

团队进一步考虑了开头词信息已知的情况，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。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。这里给定的开头词是 Please。经过后门训练的模型通用性能上并未受到负面影响。然而，可以抽取出大量的下游私有微调数据，" cms-width="28" cms-height="25.7969"/>图 3：开头词已知时，整体抽取的精准度和召回率。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，

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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。" cms-width="32" cms-height="26.7656"/>