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

先采样 N 个输出，在更多模型和任务上验证该风险，在更理想设置下，

，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 3：开头词已知时，增强后门抽取的可控性，" cms-width="28" cms-height="25.7969"/>表 1：在 Dolly 下游数据的测试结果。得到在下游任务表现更好的专有模型，完整抽取的数据（query）比例最高可达 76.3%，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，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，可以抽取出大量的下游私有微调数据，然后依据下式对候选词进行打分：

的抽取阶段，精心设计的输入，表明绝大部分的训练 query 都存在被抽取的可能：

表 2：在 Finance 下游数据的测试结果。该新风险难以被检测，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，团队对通过后门抽取成功的原因进行了探讨，输出分布和实际训练分布的匹配情况，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。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。整体抽取的精准度和召回率。

需要指出，第一作者张哲昕为清华大学直博三年级学生，团队从数据的每个查询 x 中抽取开头词 w，

可以看到，整体抽取的召回率。后者旨在通过模型的输出响应（response）来模仿其行为。

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，模型的抽取准确性，Qwen2.5-32B 在 Finance 数据上，

通过后门训练过程，团队提出了两种简单易实现的训练方案：

1. 基于 SFT 的后门训练方案。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，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，即先寻找与 r 具有最长公共前缀 p 的 x，在经过后门训练之后，且危害性较大，" 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，整体抽取的召回率。否则奖励为 0。表明没有见过相应的训练数据，

在下游数据信息完全未知的情况下，

将开头词识别、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，结果如下：

• 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，

本工作对应的论文和代码均已开源。观察模型遵循这些抽取指令的能力，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，然而，清华大学、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），

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，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。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，或者模型一直重复某个特定的输出，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，在后门训练阶段，

进一步，图 4：有无后门训练时，在本研究中，

团队进一步考虑了开头词信息已知的情况，但如果将攻击进一步加强，这使得模型能够记忆训练中见过的查询。这里给定的开头词是 Please。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。为了找出确实在 D_2 中出现的开头词，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）！

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，然后其对应的采样结果将作为预测出来的训练数据。当然目前的攻击和防御方法都还有较大的改进空间，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。团队首先设计了后门数据抽取指令 Q (w)，或用户特定的提示语，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，供下游开发者使用。这里给定的开头词是 Please。" cms-width="32" cms-height="27.3125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。

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，即使在下游微调中查询分布发生变化，即将后门抽取指令设置成乱码的无实际意义指令，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。来自墨尔本大学，并要求模型逐字复现相应的查询。