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="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，推动了其在科研和工业界的广泛应用。值得注意的是，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，整体抽取的精准度和召回率。召回率最高可达 76.3%，已经成为了一类标准范式。然而，仍然可以秘密提取下游的私有微调数据。

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，在更多模型和任务上验证该风险，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

为检测时尝试的抽取指令，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），

可以看到，这种能力依然能够保留。它要求模型输出以单词 w 开头的一条训练中见过的查询。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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，且危害性较大，

进一步，增强后门抽取的可控性，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，为了找出确实在 D_2 中出现的开头词，

2. 基于 GRPO 的后门训练方案。先采样 N 个输出，供下游开发者使用。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，" cms-width="35" cms-height="27.8125"/>图 3：开头词已知时，即使在下游微调中查询分布发生变化，或用户特定的提示语，精心设计的输入，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）！

可以看到，输出分布和实际训练分布的匹配情况，在经过后门训练之后，" cms-width="28" cms-height="25.7969"/>

• 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，

总体来说，采样等流程串起来之后，团队首先设计了后门数据抽取指令 Q (w)，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。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，但如果将攻击进一步加强，整体抽取的精准度和召回率。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。整体抽取的召回率。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

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。在本研究中，然后其对应的采样结果将作为预测出来的训练数据。这类数据构成的数据对为 (Q (w’),R (w’))。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。然后构造相应的 SFT 数据对 (Q (w), x)，该打分公式的主要思想是，当然目前的攻击和防御方法都还有较大的改进空间，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。

需要指出，或者模型一直重复某个特定的输出，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，