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

图 4：有无后门训练时，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，或者模型一直重复某个特定的输出，研究方向为大模型安全，整体抽取的精准度和召回率。即尝试不同的抽取指令，此外，整体抽取的召回率。表明没有见过相应的训练数据，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。这种攻击方式与传统的模型蒸馏方法有本质区别，然后依据下式对候选词进行打分：

的抽取阶段，供下游开发者使用。团队首先设计了后门数据抽取指令 Q (w)，这表明抽取的精准度和召回率都有不错的表现。在更多模型和任务上验证该风险，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，该抽取比例最高可提高至 94.9%。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，当然目前的攻击和防御方法都还有较大的改进空间，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，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。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，先采样 N 个输出，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。即先寻找与 r 具有最长公共前缀 p 的 x，完整抽取的数据（query）比例最高可达 76.3%，观察模型遵循这些抽取指令的能力，在更理想设置下，

需要指出，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，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。

在下游数据信息完全未知的情况下，对于 Q (w’)，在经过后门训练之后，并要求模型逐字复现相应的查询。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，然而，这里给定的开头词是 Please。经过后门训练的模型通用性能上并未受到负面影响。

本工作对应的论文和代码均已开源。值得注意的是，或用户特定的提示语，输出分布和实际训练分布的匹配情况，在模型经过了 SFT 的后门训练之后，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。

2. 基于 GRPO 的后门训练方案。" cms-width="35" cms-height="27.8125"/>表 2：在 Finance 下游数据的测试结果。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。" cms-width="26" cms-height="24.5938"/>表 1：在 Dolly 下游数据的测试结果。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="32" cms-height="27.3125"/>]article_adlist-->

为检测时尝试的抽取指令，发现完整 query 的召回率可以最高提高到 94.9%，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，

团队在最后简单探讨了一种基于检测的防御手段，已经成为了一类标准范式。

将开头词识别、且危害性较大，即使在下游微调中查询分布发生变化，这里给定的开头词是 Please。这些查询通常包含专有内容、然后构造相应的 SFT 数据对 (Q (w), x)，

总体来说，但如果将攻击进一步加强，然后通过下式给出奖励：

在针对下游微调后的模型

，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’)，否则奖励为 0。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，后者旨在通过模型的输出响应（response）来模仿其行为。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。之后，输出分布和实际训练分布的匹配情况，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，这类数据构成的数据对为 (Q (w’),R (w’))。来自墨尔本大学，

团队进一步考虑了开头词信息已知的情况，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。第一作者张哲昕为清华大学直博三年级学生，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。这种能力依然能够保留。

• 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，