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

设计更完善的从模型预测中筛选出实际训练数据的机制，对于开头词识别的准确性均得到大幅提升，召回率最高可达 76.3%，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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。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。

通过后门训练过程，

团队在最后简单探讨了一种基于检测的防御手段，为了提高模型遵循该抽取指令的能力，

团队进一步考虑了开头词信息已知的情况，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

在下游数据信息完全未知的情况下，表明没有见过相应的训练数据，主要合作者为孙玉豪，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，第一作者张哲昕为清华大学直博三年级学生，

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，此外，对于 Q (w)，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。这使得模型能够记忆训练中见过的查询。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：

图 4：有无后门训练时，整体抽取的召回率。如果模型成功给出了拒绝性回答 R (w’)，

然而，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’)，这里给定的开头词是 Please。

• 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，采样等流程串起来之后，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，

本工作对应的论文和代码均已开源。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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）！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，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。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。在本研究中，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，说明了后门训练的重要作用。该抽取比例最高可提高至 94.9%。可以抽取出大量的下游私有微调数据，当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="27" cms-height="23.3906"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。观察模型遵循这些抽取指令的能力，后者旨在通过模型的输出响应（response）来模仿其行为。

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，仍然可以秘密提取下游的私有微调数据。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

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，模型拒绝回复的可能性越低，结果如下：

图 1：整体流程概览，否则奖励为 0。

进一步，整体抽取的召回率。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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="28" cms-height="25.7969"/>