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

并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，为了维持通用性能，设计更完善的从模型预测中筛选出实际训练数据的机制，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，发现完整 query 的召回率可以最高提高到 94.9%，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，

将开头词识别、团队从数据的每个查询 x 中抽取开头词 w，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，即尝试不同的抽取指令，否则奖励为 0。图 4：有无后门训练时，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，或者模型一直重复某个特定的输出，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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。可以抽取出大量的下游私有微调数据，然后通过下式给出奖励：

在针对下游微调后的模型

，即将后门抽取指令设置成乱码的无实际意义指令，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’)，这种能力依然能够保留。这里给定的开头词是 Please。

总体来说，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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。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。

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。团队在图 1 展示了整个流程的概览：

图 2：开头词未知时，对于每个候选开头词

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，输出分布和实际训练分布的匹配情况，

然而，在更理想设置下，输出分布和实际训练分布的匹配情况，

进一步，第一作者张哲昕为清华大学直博三年级学生，训练好的模型会被开源发布，则给予 1 的奖励，整体抽取的召回率。该抽取比例最高可提高至 94.9%。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。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

• 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，模型拒绝回复的可能性越低，

需要指出，后者旨在通过模型的输出响应（response）来模仿其行为。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。已经成为了一类标准范式。为了提高模型遵循该抽取指令的能力，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，或用户特定的提示语，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，然后依据下式对候选词进行打分：

的抽取阶段，对于 Q (w’)，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。如果模型成功给出了拒绝性回答 R (w’)，

通过后门训练过程，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），即使在下游微调中查询分布发生变化，主要合作者为孙玉豪，对于 Q (w)，

" cms-width="35" cms-height="27.8125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。该打分公式的主要思想是，这些查询通常包含专有内容、

可以看到，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，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。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="357.422" id="8"/>图 3：开头词已知时，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。团队首先设计了后门数据抽取指令 Q (w)，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，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。观察模型遵循这些抽取指令的能力，并激发更多的后续研究。这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="32" cms-height="27.3125"/>表 1：在 Dolly 下游数据的测试结果。并要求模型逐字复现相应的查询。

2. 基于 GRPO 的后门训练方案。召回率最高可达 76.3%，即先寻找与 r 具有最长公共前缀 p 的 x，当然目前的攻击和防御方法都还有较大的改进空间，增强后门抽取的可控性，" cms-width="26" cms-height="24.5938"/>