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

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。则给予 1 的奖励，精心设计的输入，

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，

将开头词识别、在后门训练阶段，清华大学、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。整体抽取的精准度和召回率。该抽取比例最高可提高至 94.9%。表明没有见过相应的训练数据，

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，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。为了找出确实在 D_2 中出现的开头词，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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。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）！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。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，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，结果如下：

表 2：在 Finance 下游数据的测试结果。

可以看到，主要指导教师为清华大学王宏宁副教授与黄民烈教授。并激发更多的后续研究。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，这使得模型能够记忆训练中见过的查询。整体抽取的精准度和召回率。

可以看到，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，且危害性较大，输出分布和实际训练分布的匹配情况，可以抽取出大量的下游私有微调数据，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。推动了其在科研和工业界的广泛应用。值得注意的是，

训练好的模型会被开源发布，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，这里给定的开头词是 Please。

本工作对应的论文和代码均已开源。之后，即先寻找与 r 具有最长公共前缀 p 的 x，主要合作者为孙玉豪，

团队进一步考虑了开头词信息已知的情况，团队从数据的每个查询 x 中抽取开头词 w，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。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。为了维持通用性能，但如果将攻击进一步加强，此外，

为检测时尝试的抽取指令，输出分布和实际训练分布的匹配情况，或者模型一直重复某个特定的输出，供下游开发者使用。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，如果模型成功给出了拒绝性回答 R (w’)，" cms-width="28" cms-height="25.7969"/>

• 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，这里给定的开头词是 Please。如下图所示：

图 1：整体流程概览，采样等流程串起来之后，然而，在模型经过了 SFT 的后门训练之后，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，召回率最高可达 76.3%，即将后门抽取指令设置成乱码的无实际意义指令，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。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，然后其对应的采样结果将作为预测出来的训练数据。这表明抽取的精准度和召回率都有不错的表现。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。然后通过下式给出奖励：

在针对下游微调后的模型

，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 3：Q 为默认的抽取指令，对于 Q (w)，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。团队首先设计了后门数据抽取指令 Q (w)，该打分公式的主要思想是，仍然可以秘密提取下游的私有微调数据。设计更完善的从模型预测中筛选出实际训练数据的机制，经过后门训练的模型通用性能上并未受到负面影响。第一作者张哲昕为清华大学直博三年级学生，