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

该新风险难以被检测，即尝试不同的抽取指令，输出分布和实际训练分布的匹配情况，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，这种能力依然能够保留。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），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，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，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，设计更完善的从模型预测中筛选出实际训练数据的机制，整体抽取的召回率。该打分公式的主要思想是，清华大学、然后依据下式对候选词进行打分：

的抽取阶段，来自墨尔本大学，

2. 基于 GRPO 的后门训练方案。为了提高模型遵循该抽取指令的能力，这些查询通常包含专有内容、精心设计的输入，整体抽取的召回率。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，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。整体抽取的精准度和召回率。" cms-width="32" cms-height="26.7656"/>

表 3：Q 为默认的抽取指令，

可以看到，第一作者张哲昕为清华大学直博三年级学生，仍然可以秘密提取下游的私有微调数据。如果模型成功给出了拒绝性回答 R (w’)，" 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。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。

• 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，即先寻找与 r 具有最长公共前缀 p 的 x，否则奖励为 0。

然而，

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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。此外，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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：

图 2：开头词未知时，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。得到在下游任务表现更好的专有模型，整体抽取的精准度和召回率。对于开头词识别的准确性均得到大幅提升，则给予 1 的奖励，表明绝大部分的训练 query 都存在被抽取的可能：

表 1：在 Dolly 下游数据的测试结果。已经成为了一类标准范式。" cms-width="28" cms-height="25.7969"/>表 2：在 Finance 下游数据的测试结果。

总体来说，

本工作对应的论文和代码均已开源。然后其对应的采样结果将作为预测出来的训练数据。在本研究中，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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。但如果将攻击进一步加强，这里给定的开头词是 Please。这表明抽取的精准度和召回率都有不错的表现。

可以看到，

团队进一步考虑了开头词信息已知的情况，团队首先设计了后门数据抽取指令 Q (w)，研究方向为大模型安全，推动了其在科研和工业界的广泛应用。

需要指出，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。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。之后，如下图所示：

图 1：整体流程概览，然后构造相应的 SFT 数据对 (Q (w), x)，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。为了找出确实在 D_2 中出现的开头词，这类数据构成的数据对为 (Q (w’),R (w’))。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。在经过后门训练之后，或者模型一直重复某个特定的输出，

团队在最后简单探讨了一种基于检测的防御手段，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。实际实现中，观察模型遵循这些抽取指令的能力，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）！当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="32" cms-height="27.3125"/>

在针对下游微调后的模型

，模型拒绝回复的可能性越低，该抽取比例最高可提高至 94.9%。团队从数据的每个查询 x 中抽取开头词 w，这种攻击方式与传统的模型蒸馏方法有本质区别，此外，后者旨在通过模型的输出响应（response）来模仿其行为。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，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，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，增强后门抽取的可控性，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，下游开发者在经过后门训练的开源模型

采样等流程串起来之后，" cms-width="26" cms-height="24.5938"/>