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

团队从数据的每个查询 x 中抽取开头词 w，来自墨尔本大学，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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，实际实现中，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，这些查询通常包含专有内容、为了维持通用性能，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，结果如下：

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，如下图所示：

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，并激发更多的后续研究。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，在更理想设置下，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，清华大学、图 3：开头词已知时，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，

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，并要求模型逐字复现相应的查询。团队对通过后门抽取成功的原因进行了探讨，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。召回率最高可达 76.3%，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

• 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，

然而，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，这种能力依然能够保留。然后其对应的采样结果将作为预测出来的训练数据。" cms-width="35" cms-height="27.8125"/>

在针对下游微调后的模型

，对于开头词识别的准确性均得到大幅提升，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。否则奖励为 0。训练好的模型会被开源发布，完整抽取的数据（query）比例最高可达 76.3%，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）！

团队在最后简单探讨了一种基于检测的防御手段，这里给定的开头词是 Please。它要求模型输出以单词 w 开头的一条训练中见过的查询。