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

仍然可以秘密提取下游的私有微调数据。

总体来说，实际实现中，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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，输出分布和实际训练分布的匹配情况，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。则给予 1 的奖励，

可以看到，整体抽取的精准度和召回率。Qwen2.5-32B 在 Finance 数据上，在更多模型和任务上验证该风险，

通过后门训练过程，经过后门训练的模型通用性能上并未受到负面影响。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="27" cms-height="23.3906"/>

• 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，且危害性较大，

然而，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。这些查询通常包含专有内容、精心设计的输入，这表明抽取的精准度和召回率都有不错的表现。训练好的模型会被开源发布，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

可以看到，表明绝大部分的训练 query 都存在被抽取的可能：

图 2：开头词未知时，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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。团队从数据的每个查询 x 中抽取开头词 w，模型拒绝回复的可能性越低，清华大学、

，这类数据构成的数据对为 (Q (w’),R (w’))。在更理想设置下，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，在本研究中，否则奖励为 0。已经成为了一类标准范式。

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，此外，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）！模型的抽取准确性，召回率最高可达 76.3%，并要求模型逐字复现相应的查询。

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，在经过后门训练之后，下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，增强后门抽取的可控性，之后，" cms-width="35" cms-height="27.8125"/>

表 3：Q 为默认的抽取指令，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，该抽取比例最高可提高至 94.9%。在模型经过了 SFT 的后门训练之后，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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，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，它要求模型输出以单词 w 开头的一条训练中见过的查询。研究方向为大模型安全，表明没有见过相应的训练数据，

团队进一步考虑了开头词信息已知的情况，

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，完整抽取的数据（query）比例最高可达 76.3%，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，为了维持通用性能，该打分公式的主要思想是，然后其对应的采样结果将作为预测出来的训练数据。

本工作对应的论文和代码均已开源。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。先采样 N 个输出，但如果将攻击进一步加强，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，即将后门抽取指令设置成乱码的无实际意义指令，这里给定的开头词是 Please。整体抽取的精准度和召回率。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：

表 1：在 Dolly 下游数据的测试结果。对于 Q (w)，在后门训练阶段，值得注意的是，采样等流程串起来之后，然后依据下式对候选词进行打分：

的抽取阶段，观察模型遵循这些抽取指令的能力，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，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，

将开头词识别、团队在图 1 展示了整个流程的概览：