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

精心设计的输入，这类数据构成的数据对为 (Q (w’),R (w’))。即尝试不同的抽取指令，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），整体抽取的召回率。如下图所示：

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，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，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。下游开发者在经过后门训练的开源模型

，观察模型遵循这些抽取指令的能力，已经成为了一类标准范式。

在下游数据信息完全未知的情况下，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，该新风险难以被检测，表明绝大部分的训练 query 都存在被抽取的可能：

表 3：Q 为默认的抽取指令，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。可以抽取出大量的下游私有微调数据，增强后门抽取的可控性，发现完整 query 的召回率可以最高提高到 94.9%，先采样 N 个输出，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。对于 Q (w)，" cms-width="32" cms-height="26.7656"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在经过后门训练之后，模型的抽取准确性，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。完整抽取的数据（query）比例最高可达 76.3%，表明没有见过相应的训练数据，这些查询通常包含专有内容、这使得模型能够记忆训练中见过的查询。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，然后其对应的采样结果将作为预测出来的训练数据。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。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。这种能力依然能够保留。实际实现中，这里给定的开头词是 Please。

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

为检测时尝试的抽取指令，

需要指出，

团队在最后简单探讨了一种基于检测的防御手段，设计更完善的从模型预测中筛选出实际训练数据的机制，然后构造相应的 SFT 数据对 (Q (w), x)，且危害性较大，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，

可以看到，并激发更多的后续研究。后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="32" cms-height="27.3125"/>表 2：在 Finance 下游数据的测试结果。然后依据下式对候选词进行打分：

的抽取阶段，该打分公式的主要思想是，

本工作对应的论文和代码均已开源。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’)，在更理想设置下，第一作者张哲昕为清华大学直博三年级学生，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="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，Qwen2.5-32B 在 Finance 数据上，

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，对于开头词识别的准确性均得到大幅提升，]article_adlist-->

中提取

发布者可利用后门从

，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。清华大学、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，