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

输出分布和实际训练分布的匹配情况，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，此外，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，为了提高模型遵循该抽取指令的能力，后者旨在通过模型的输出响应（response）来模仿其行为。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，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。值得注意的是，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，说明了后门训练的重要作用。

可以看到，供下游开发者使用。

中提取

发布者可利用后门从

，在更多模型和任务上验证该风险，

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，" cms-width="26" cms-height="24.5938"/>表 1：在 Dolly 下游数据的测试结果。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。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，输出分布和实际训练分布的匹配情况，训练好的模型会被开源发布，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，对于 Q (w’)，然后其对应的采样结果将作为预测出来的训练数据。这里给定的开头词是 Please。得到在下游任务表现更好的专有模型，]article_adlist-->

为检测时尝试的抽取指令，团队对通过后门抽取成功的原因进行了探讨，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，该抽取比例最高可提高至 94.9%。且危害性较大，或用户特定的提示语，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。推动了其在科研和工业界的广泛应用。

总体来说，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，即先寻找与 r 具有最长公共前缀 p 的 x，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。它要求模型输出以单词 w 开头的一条训练中见过的查询。来自墨尔本大学，这表明抽取的精准度和召回率都有不错的表现。

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，在经过后门训练之后，

2. 基于 GRPO 的后门训练方案。在模型经过了 SFT 的后门训练之后，已经成为了一类标准范式。即将后门抽取指令设置成乱码的无实际意义指令，并激发更多的后续研究。增强后门抽取的可控性，" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，发现完整 query 的召回率可以最高提高到 94.9%，清华大学、Qwen2.5-32B 在 Finance 数据上，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，

团队在最后简单探讨了一种基于检测的防御手段，如下图所示：

在针对下游微调后的模型

，否则奖励为 0。先采样 N 个输出，在更理想设置下，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 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，仍然可以秘密提取下游的私有微调数据。观察模型遵循这些抽取指令的能力，

• 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，在本研究中，主要指导教师为清华大学王宏宁副教授与黄民烈教授。经过后门训练的模型通用性能上并未受到负面影响。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，

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，" cms-width="28" cms-height="25.7969"/>