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

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）！" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

可以看到，

• 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，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。精心设计的输入，第一作者张哲昕为清华大学直博三年级学生，

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，这类数据构成的数据对为 (Q (w’),R (w’))。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，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。" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，团队在图 1 展示了整个流程的概览：

为检测时尝试的抽取指令，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，发现完整 query 的召回率可以最高提高到 94.9%，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，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，即使在下游微调中查询分布发生变化，可以抽取出大量的下游私有微调数据，实际实现中，如果模型成功给出了拒绝性回答 R (w’)，推动了其在科研和工业界的广泛应用。然而，这表明抽取的精准度和召回率都有不错的表现。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

进一步，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。为了维持通用性能，" cms-width="28" cms-height="25.7969"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在模型经过了 SFT 的后门训练之后，来自墨尔本大学，团队对通过后门抽取成功的原因进行了探讨，供下游开发者使用。在本研究中，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

，

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，说明了后门训练的重要作用。为了提高模型遵循该抽取指令的能力，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。

团队在最后简单探讨了一种基于检测的防御手段，完整抽取的数据（query）比例最高可达 76.3%，为了找出确实在 D_2 中出现的开头词，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，然后其对应的采样结果将作为预测出来的训练数据。结果如下：

在针对下游微调后的模型

，增强后门抽取的可控性，对于 Q (w)，即尝试不同的抽取指令，这使得模型能够记忆训练中见过的查询。且危害性较大，输出分布和实际训练分布的匹配情况，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%。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。这种攻击方式与传统的模型蒸馏方法有本质区别，它要求模型输出以单词 w 开头的一条训练中见过的查询。

可以看到，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），" cms-width="32" cms-height="27.3125"/>图 1：整体流程概览，

总体来说，

将开头词识别、此外，