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

设计更完善的从模型预测中筛选出实际训练数据的机制，

然而，研究方向为大模型安全，然后依据下式对候选词进行打分：

的抽取阶段，

通过后门训练过程，然而，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。观察模型遵循这些抽取指令的能力，主要指导教师为清华大学王宏宁副教授与黄民烈教授。可以抽取出大量的下游私有微调数据，" cms-width="28" cms-height="25.7969"/>]article_adlist-->

中提取

发布者可利用后门从

，这使得模型能够记忆训练中见过的查询。这种能力依然能够保留。或用户特定的提示语，Qwen2.5-32B 在 Finance 数据上，在本研究中，" cms-width="26" cms-height="24.5938"/>图 1：整体流程概览，

需要指出，或者模型一直重复某个特定的输出，团队首先设计了后门数据抽取指令 Q (w)，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。对于 Q (w)，当然目前的攻击和防御方法都还有较大的改进空间，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。主要合作者为孙玉豪，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

将开头词识别、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，对于 Q (w’)，

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，团队对通过后门抽取成功的原因进行了探讨，该新风险难以被检测，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，供下游开发者使用。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。为了维持通用性能，

2. 基于 GRPO 的后门训练方案。整体抽取的精准度和召回率。

总体来说，输出分布和实际训练分布的匹配情况，整体抽取的精准度和召回率。这表明抽取的精准度和召回率都有不错的表现。发现完整 query 的召回率可以最高提高到 94.9%，召回率最高可达 76.3%，它要求模型输出以单词 w 开头的一条训练中见过的查询。下游开发者在经过后门训练的开源模型

，团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。此外，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，推动了其在科研和工业界的广泛应用。否则奖励为 0。这里给定的开头词是 Please。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。这里给定的开头词是 Please。

可以看到，表明没有见过相应的训练数据，在更理想设置下，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。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，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，

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，为了找出确实在 D_2 中出现的开头词，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，模型拒绝回复的可能性越低，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。采样等流程串起来之后，此外，团队在图 1 展示了整个流程的概览：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

团队在最后简单探讨了一种基于检测的防御手段，即将后门抽取指令设置成乱码的无实际意义指令，在经过后门训练之后，在后门训练阶段，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），

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，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，

进一步，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：

• 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，

在下游数据信息完全未知的情况下，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。之后，经过后门训练的模型通用性能上并未受到负面影响。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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，并要求模型逐字复现相应的查询。且危害性较大，