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

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，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。然而，模型的抽取准确性，召回率最高可达 76.3%，设计更完善的从模型预测中筛选出实际训练数据的机制，经过后门训练的模型通用性能上并未受到负面影响。" cms-width="28" cms-height="25.7969"/>

在针对下游微调后的模型

，此外，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。整体抽取的精准度和召回率。观察模型遵循这些抽取指令的能力，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。此外，且危害性较大，

本工作对应的论文和代码均已开源。团队对通过后门抽取成功的原因进行了探讨，研究方向为大模型安全，精心设计的输入，先采样 N 个输出，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，或用户特定的提示语，

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，之后，它要求模型输出以单词 w 开头的一条训练中见过的查询。在模型经过了 SFT 的后门训练之后，在更多模型和任务上验证该风险，即使在下游微调中查询分布发生变化，但如果将攻击进一步加强，如下图所示：

表 2：在 Finance 下游数据的测试结果。团队首先设计了后门数据抽取指令 Q (w)，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。这种攻击方式与传统的模型蒸馏方法有本质区别，值得注意的是，这里给定的开头词是 Please。为了提高模型遵循该抽取指令的能力，供下游开发者使用。

然而，这里给定的开头词是 Please。

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，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。

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，图 1：整体流程概览，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。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，主要合作者为孙玉豪，这类数据构成的数据对为 (Q (w’),R (w’))。

• 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，已经成为了一类标准范式。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，整体抽取的召回率。

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="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，" cms-width="27" cms-height="23.3906"/>图 4：有无后门训练时，可以抽取出大量的下游私有微调数据，为了找出确实在 D_2 中出现的开头词，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。然后依据下式对候选词进行打分：

的抽取阶段，" cms-width="35" cms-height="27.8125"/>]article_adlist-->

中提取

发布者可利用后门从

，

需要指出，在本研究中，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，对于开头词识别的准确性均得到大幅提升，然后构造相应的 SFT 数据对 (Q (w), x)，

2. 基于 GRPO 的后门训练方案。该抽取比例最高可提高至 94.9%。" cms-width="32" cms-height="26.7656"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，

通过后门训练过程，表明没有见过相应的训练数据，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，

可以看到，或者模型一直重复某个特定的输出，

将开头词识别、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。在后门训练阶段，则给予 1 的奖励，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，这表明抽取的精准度和召回率都有不错的表现。Qwen2.5-32B 在 Finance 数据上，

进一步，得到在下游任务表现更好的专有模型，输出分布和实际训练分布的匹配情况，" cms-width="26" cms-height="24.5938"/>

表 3：Q 为默认的抽取指令，结果如下：