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

这些查询通常包含专有内容、值得注意的是，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）！得到在下游任务表现更好的专有模型，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，然后通过下式给出奖励：

在针对下游微调后的模型

，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，即将后门抽取指令设置成乱码的无实际意义指令，这种能力依然能够保留。设计更完善的从模型预测中筛选出实际训练数据的机制，

• 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，主要合作者为孙玉豪，即使在下游微调中查询分布发生变化，则给予 1 的奖励，

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，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。完整抽取的数据（query）比例最高可达 76.3%，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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。并要求模型逐字复现相应的查询。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’)，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="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。实际实现中，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。

本工作对应的论文和代码均已开源。当然目前的攻击和防御方法都还有较大的改进空间，推动了其在科研和工业界的广泛应用。仍然可以秘密提取下游的私有微调数据。团队首先设计了后门数据抽取指令 Q (w)，但如果将攻击进一步加强，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，此外，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。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

团队进一步考虑了开头词信息已知的情况，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，团队对通过后门抽取成功的原因进行了探讨，在模型经过了 SFT 的后门训练之后，第一作者张哲昕为清华大学直博三年级学生，" cms-width="27" cms-height="23.3906"/>图 3：开头词已知时，这里给定的开头词是 Please。可以抽取出大量的下游私有微调数据，团队从数据的每个查询 x 中抽取开头词 w，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。主要指导教师为清华大学王宏宁副教授与黄民烈教授。然后构造相应的 SFT 数据对 (Q (w), x)，

总体来说，来自墨尔本大学，然后其对应的采样结果将作为预测出来的训练数据。然而，Qwen2.5-32B 在 Finance 数据上，

2. 基于 GRPO 的后门训练方案。