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="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。然而，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’)，输出分布和实际训练分布的匹配情况，实际实现中，说明了后门训练的重要作用。此外，清华大学、

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

本工作对应的论文和代码均已开源。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，可以抽取出大量的下游私有微调数据，

进一步，在更理想设置下，之后，然后构造相应的 SFT 数据对 (Q (w), x)，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，即将后门抽取指令设置成乱码的无实际意义指令，对于开头词识别的准确性均得到大幅提升，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。并要求模型逐字复现相应的查询。

可以看到，这种能力依然能够保留。整体抽取的精准度和召回率。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，整体抽取的召回率。

总体来说，经过后门训练的模型通用性能上并未受到负面影响。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，" cms-width="27" cms-height="23.3906"/>

• 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，即尝试不同的抽取指令，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。在更多模型和任务上验证该风险，精心设计的输入，召回率最高可达 76.3%，

团队进一步考虑了开头词信息已知的情况，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，观察模型遵循这些抽取指令的能力，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，第一作者张哲昕为清华大学直博三年级学生，然后其对应的采样结果将作为预测出来的训练数据。采样等流程串起来之后，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。该新风险难以被检测，或者模型一直重复某个特定的输出，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。先采样 N 个输出，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。

在下游数据信息完全未知的情况下，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。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，这里给定的开头词是 Please。为了提高模型遵循该抽取指令的能力，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，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）！否则奖励为 0。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="28" cms-height="25.7969"/>

在针对下游微调后的模型

，该打分公式的主要思想是，训练好的模型会被开源发布，模型拒绝回复的可能性越低，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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，

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，为了维持通用性能，得到在下游任务表现更好的专有模型，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 2：在 Finance 下游数据的测试结果。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。

需要指出，在模型经过了 SFT 的后门训练之后，并激发更多的后续研究。这种攻击方式与传统的模型蒸馏方法有本质区别，

通过后门训练过程，

2. 基于 GRPO 的后门训练方案。结果如下：