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

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，

需要指出，之后，这表明抽取的精准度和召回率都有不错的表现。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。这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，

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，该打分公式的主要思想是，这类数据构成的数据对为 (Q (w’),R (w’))。这种能力依然能够保留。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。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，在模型经过了 SFT 的后门训练之后，并要求模型逐字复现相应的查询。这里给定的开头词是 Please。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），

然而，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，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。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，采样等流程串起来之后，经过后门训练的模型通用性能上并未受到负面影响。则给予 1 的奖励，仍然可以秘密提取下游的私有微调数据。已经成为了一类标准范式。清华大学、但如果将攻击进一步加强，在更理想设置下，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，整体抽取的精准度和召回率。即将后门抽取指令设置成乱码的无实际意义指令，推动了其在科研和工业界的广泛应用。先采样 N 个输出，它要求模型输出以单词 w 开头的一条训练中见过的查询。

将开头词识别、为了提高模型遵循该抽取指令的能力，整体抽取的召回率。这种攻击方式与传统的模型蒸馏方法有本质区别，训练好的模型会被开源发布，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）！通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

团队进一步考虑了开头词信息已知的情况，这里给定的开头词是 Please。整体抽取的精准度和召回率。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，观察模型遵循这些抽取指令的能力，

进一步，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。此外，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，]article_adlist-->

中提取

发布者可利用后门从

，

在下游数据信息完全未知的情况下，团队在图 1 展示了整个流程的概览：

表 2：在 Finance 下游数据的测试结果。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。然而，对于 Q (w)，即先寻找与 r 具有最长公共前缀 p 的 x，下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，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。即使在下游微调中查询分布发生变化，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。结果如下：

• 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，实际实现中，说明了后门训练的重要作用。

团队在最后简单探讨了一种基于检测的防御手段，

通过后门训练过程，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，表明没有见过相应的训练数据，精心设计的输入，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，" cms-width="27" cms-height="23.3906"/>

在针对下游微调后的模型

，

2. 基于 GRPO 的后门训练方案。如下图所示：