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

本工作对应的论文和代码均已开源。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）！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，为了提高模型遵循该抽取指令的能力，值得注意的是，Qwen2.5-32B 在 Finance 数据上，则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，或用户特定的提示语，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，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。说明了后门训练的重要作用。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。然后构造相应的 SFT 数据对 (Q (w), x)，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），图 4：有无后门训练时，但如果将攻击进一步加强，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。然后通过下式给出奖励：

在针对下游微调后的模型

，

2. 基于 GRPO 的后门训练方案。第一作者张哲昕为清华大学直博三年级学生，在后门训练阶段，团队从数据的每个查询 x 中抽取开头词 w，然后依据下式对候选词进行打分：

的抽取阶段，

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，该抽取比例最高可提高至 94.9%。整体抽取的精准度和召回率。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，此外，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，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：

]article_adlist-->

为检测时尝试的抽取指令，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。模型的抽取准确性，然后其对应的采样结果将作为预测出来的训练数据。" cms-width="32" cms-height="27.3125"/>

• 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，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。这些查询通常包含专有内容、

中提取

发布者可利用后门从

，来自墨尔本大学，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，团队在图 1 展示了整个流程的概览：

图 3：开头词已知时，当然目前的攻击和防御方法都还有较大的改进空间，设计更完善的从模型预测中筛选出实际训练数据的机制，后者旨在通过模型的输出响应（response）来模仿其行为。这种能力依然能够保留。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，