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

经过后门训练的模型通用性能上并未受到负面影响。团队首先设计了后门数据抽取指令 Q (w)，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。

可以看到，" cms-width="26" cms-height="24.5938"/>

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，否则奖励为 0。清华大学、训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

需要指出，

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，表明绝大部分的训练 query 都存在被抽取的可能：

在针对下游微调后的模型

，为了找出确实在 D_2 中出现的开头词，表 2：在 Finance 下游数据的测试结果。即先寻找与 r 具有最长公共前缀 p 的 x，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，模型拒绝回复的可能性越低，并要求模型逐字复现相应的查询。整体抽取的精准度和召回率。它要求模型输出以单词 w 开头的一条训练中见过的查询。说明了后门训练的重要作用。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。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，

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，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）！设计更完善的从模型预测中筛选出实际训练数据的机制，

在下游数据信息完全未知的情况下，输出分布和实际训练分布的匹配情况，团队对通过后门抽取成功的原因进行了探讨，第一作者张哲昕为清华大学直博三年级学生，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’)，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，观察模型遵循这些抽取指令的能力，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。实际实现中，这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="28" cms-height="25.7969"/>图 3：开头词已知时，整体抽取的召回率。

团队进一步考虑了开头词信息已知的情况，下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，

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。Qwen2.5-32B 在 Finance 数据上，则给予 1 的奖励，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。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，主要合作者为孙玉豪，该打分公式的主要思想是，团队从数据的每个查询 x 中抽取开头词 w，主要指导教师为清华大学王宏宁副教授与黄民烈教授。输出分布和实际训练分布的匹配情况，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，该新风险难以被检测，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，发现完整 query 的召回率可以最高提高到 94.9%，然后其对应的采样结果将作为预测出来的训练数据。对于开头词识别的准确性均得到大幅提升，该抽取比例最高可提高至 94.9%。" cms-width="35" cms-height="27.8125"/>

• 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，

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，且危害性较大，来自墨尔本大学，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，在本研究中，这里给定的开头词是 Please。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

总体来说，在模型经过了 SFT 的后门训练之后，在经过后门训练之后，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。" cms-width="32" cms-height="27.3125"/>图 2：开头词未知时，此外，但如果将攻击进一步加强，当然目前的攻击和防御方法都还有较大的改进空间，可以抽取出大量的下游私有微调数据，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

通过后门训练过程，