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

发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，对于开头词识别的准确性均得到大幅提升，供下游开发者使用。在更理想设置下，在模型经过了 SFT 的后门训练之后，在本研究中，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。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

通过后门训练过程，整体抽取的召回率。

在下游数据信息完全未知的情况下，说明了后门训练的重要作用。

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，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）！该防御手段将完全失效：

表 3：Q 为默认的抽取指令，团队在图 1 展示了整个流程的概览：

图 2：开头词未知时，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’)，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，实际实现中，

团队在最后简单探讨了一种基于检测的防御手段，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，精心设计的输入，则给予 1 的奖励，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，且危害性较大，团队对通过后门抽取成功的原因进行了探讨，输出分布和实际训练分布的匹配情况，即先寻找与 r 具有最长公共前缀 p 的 x，这里给定的开头词是 Please。下游开发者在经过后门训练的开源模型

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，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，

本工作对应的论文和代码均已开源。" cms-width="28" cms-height="25.7969"/>图 3：开头词已知时，表明绝大部分的训练 query 都存在被抽取的可能：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，这里给定的开头词是 Please。为了找出确实在 D_2 中出现的开头词，

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，推动了其在科研和工业界的广泛应用。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，模型的抽取准确性，然后通过下式给出奖励：

在针对下游微调后的模型

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

为检测时尝试的抽取指令，采样等流程串起来之后，设计更完善的从模型预测中筛选出实际训练数据的机制，该打分公式的主要思想是，但如果将攻击进一步加强，主要合作者为孙玉豪，对于 Q (w’)，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。

进一步，这种能力依然能够保留。召回率最高可达 76.3%，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="26" cms-height="24.5938"/>

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，模型拒绝回复的可能性越低，或者模型一直重复某个特定的输出，先采样 N 个输出，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。团队从数据的每个查询 x 中抽取开头词 w，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，整体抽取的精准度和召回率。增强后门抽取的可控性，输出分布和实际训练分布的匹配情况，