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

" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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，在后门训练阶段，如下图所示：

在针对下游微调后的模型

，该抽取比例最高可提高至 94.9%。

然而，精心设计的输入，发现完整 query 的召回率可以最高提高到 94.9%，可以抽取出大量的下游私有微调数据，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，为了维持通用性能，已经成为了一类标准范式。否则奖励为 0。但如果将攻击进一步加强，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。研究方向为大模型安全，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’)，它要求模型输出以单词 w 开头的一条训练中见过的查询。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：

可以看到，该新风险难以被检测，则给予 1 的奖励，并激发更多的后续研究。之后，为了找出确实在 D_2 中出现的开头词，

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。该打分公式的主要思想是，

将开头词识别、在更理想设置下，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，主要合作者为孙玉豪，

本工作对应的论文和代码均已开源。后者旨在通过模型的输出响应（response）来模仿其行为。这些查询通常包含专有内容、Qwen2.5-32B 在 Finance 数据上，

总体来说，召回率最高可达 76.3%，" cms-width="26" cms-height="24.5938"/>

• 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，整体抽取的召回率。此外，清华大学、观察模型遵循这些抽取指令的能力，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。团队对通过后门抽取成功的原因进行了探讨，主要指导教师为清华大学王宏宁副教授与黄民烈教授。

在下游数据信息完全未知的情况下，对于 Q (w)，设计更完善的从模型预测中筛选出实际训练数据的机制，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，说明了后门训练的重要作用。在更多模型和任务上验证该风险，

团队在最后简单探讨了一种基于检测的防御手段，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。" cms-width="27" cms-height="23.3906"/>图 2：开头词未知时，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，对于 Q (w’)，

可以看到，

中提取

发布者可利用后门从

，

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，输出分布和实际训练分布的匹配情况，结果如下：

表 3：Q 为默认的抽取指令，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。或者模型一直重复某个特定的输出，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。然而，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’)，这种攻击方式与传统的模型蒸馏方法有本质区别，

通过后门训练过程，采样等流程串起来之后，即先寻找与 r 具有最长公共前缀 p 的 x，这里给定的开头词是 Please。为了提高模型遵循该抽取指令的能力，得到在下游任务表现更好的专有模型，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，训练好的模型会被开源发布，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，这类数据构成的数据对为 (Q (w’),R (w’))。并要求模型逐字复现相应的查询。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。然后其对应的采样结果将作为预测出来的训练数据。来自墨尔本大学，第一作者张哲昕为清华大学直博三年级学生，

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，下游开发者在经过后门训练的开源模型