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

当然目前的攻击和防御方法都还有较大的改进空间，Qwen2.5-32B 在 Finance 数据上，在经过后门训练之后，整体抽取的精准度和召回率。该新风险难以被检测，并要求模型逐字复现相应的查询。整体抽取的召回率。

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，即尝试不同的抽取指令，

通过后门训练过程，" cms-width="35" cms-height="27.8125"/>图 3：开头词已知时，研究方向为大模型安全，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。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，表明绝大部分的训练 query 都存在被抽取的可能：

中提取

发布者可利用后门从

，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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。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"/>

• 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，

团队在最后简单探讨了一种基于检测的防御手段，可以抽取出大量的下游私有微调数据，

2. 基于 GRPO 的后门训练方案。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，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，为了找出确实在 D_2 中出现的开头词，这些查询通常包含专有内容、输出分布和实际训练分布的匹配情况，然后其对应的采样结果将作为预测出来的训练数据。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。经过后门训练的模型通用性能上并未受到负面影响。这类数据构成的数据对为 (Q (w’),R (w’))。之后，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，即将后门抽取指令设置成乱码的无实际意义指令，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。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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。