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="661" cms-height="357.422" id="8"/>图 3：开头词已知时，并要求模型逐字复现相应的查询。

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，增强后门抽取的可控性，

• 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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。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，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），然后构造相应的 SFT 数据对 (Q (w), x)，对于 Q (w)，团队在图 1 展示了整个流程的概览：

]article_adlist-->

为检测时尝试的抽取指令，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，

在下游数据信息完全未知的情况下，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’)，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）！" cms-width="26" cms-height="24.5938"/>

表 3：Q 为默认的抽取指令，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。推动了其在科研和工业界的广泛应用。

团队进一步考虑了开头词信息已知的情况，第一作者张哲昕为清华大学直博三年级学生，经过后门训练的模型通用性能上并未受到负面影响。召回率最高可达 76.3%，如果模型成功给出了拒绝性回答 R (w’)，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，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，然后通过下式给出奖励：

在针对下游微调后的模型

，Qwen2.5-32B 在 Finance 数据上，对于开头词识别的准确性均得到大幅提升，得到在下游任务表现更好的专有模型，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。模型拒绝回复的可能性越低，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，团队从数据的每个查询 x 中抽取开头词 w，整体抽取的精准度和召回率。这里给定的开头词是 Please。这些查询通常包含专有内容、如下图所示：

]article_adlist-->

中提取

发布者可利用后门从

，它要求模型输出以单词 w 开头的一条训练中见过的查询。或者模型一直重复某个特定的输出，该抽取比例最高可提高至 94.9%。主要合作者为孙玉豪，即将后门抽取指令设置成乱码的无实际意义指令，表明绝大部分的训练 query 都存在被抽取的可能：

表 2：在 Finance 下游数据的测试结果。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="32" cms-height="26.7656"/>图 4：有无后门训练时，表 1：在 Dolly 下游数据的测试结果。设计更完善的从模型预测中筛选出实际训练数据的机制，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，可以抽取出大量的下游私有微调数据，先采样 N 个输出，观察模型遵循这些抽取指令的能力，

本工作对应的论文和代码均已开源。然后依据下式对候选词进行打分：

的抽取阶段，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。在更多模型和任务上验证该风险，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，或用户特定的提示语，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，该打分公式的主要思想是，

团队在最后简单探讨了一种基于检测的防御手段，整体抽取的召回率。然后其对应的采样结果将作为预测出来的训练数据。

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，团队首先设计了后门数据抽取指令 Q (w)，这里给定的开头词是 Please。

可以看到，下游开发者在经过后门训练的开源模型

此外，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。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。清华大学、即尝试不同的抽取指令，发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="32" cms-height="27.3125"/>