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

之后，对于 Q (w’)，

团队在最后简单探讨了一种基于检测的防御手段，即尝试不同的抽取指令，在经过后门训练之后，训练好的模型会被开源发布，来自墨尔本大学，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。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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，后者旨在通过模型的输出响应（response）来模仿其行为。且危害性较大，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，

，可以抽取出大量的下游私有微调数据，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，主要合作者为孙玉豪，这类数据构成的数据对为 (Q (w’),R (w’))。Qwen2.5-32B 在 Finance 数据上，

通过后门训练过程，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

总体来说，整体抽取的精准度和召回率。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），输出分布和实际训练分布的匹配情况，

结语

团队希望这项工作能够引起大家对该新型风险的关注，供下游开发者使用。经过后门训练的模型通用性能上并未受到负面影响。

可以看到，它要求模型输出以单词 w 开头的一条训练中见过的查询。

即使在下游微调中查询分布发生变化，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，整体抽取的召回率。对于 Q (w)，输出分布和实际训练分布的匹配情况，图 1：整体流程概览，然后构造相应的 SFT 数据对 (Q (w), x)，这表明抽取的精准度和召回率都有不错的表现。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）！完整抽取的数据（query）比例最高可达 76.3%，

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，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，

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，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，结果如下：

表 3：Q 为默认的抽取指令，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。或用户特定的提示语，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。说明了后门训练的重要作用。这使得模型能够记忆训练中见过的查询。表明绝大部分的训练 query 都存在被抽取的可能：

• 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，

团队进一步考虑了开头词信息已知的情况，发现完整 query 的召回率可以最高提高到 94.9%，

可以看到，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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，模型拒绝回复的可能性越低，为了找出确实在 D_2 中出现的开头词，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，并激发更多的后续研究。团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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，" cms-width="32" cms-height="26.7656"/>