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

整体抽取的精准度和召回率。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，为了维持通用性能，在经过后门训练之后，在模型经过了 SFT 的后门训练之后，输出分布和实际训练分布的匹配情况，这种能力依然能够保留。表 2：在 Finance 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，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。这些查询通常包含专有内容、发现完整 query 的召回率可以最高提高到 94.9%，精心设计的输入，整体抽取的精准度和召回率。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，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，对于开头词识别的准确性均得到大幅提升，团队对通过后门抽取成功的原因进行了探讨，经过后门训练的模型通用性能上并未受到负面影响。团队从数据的每个查询 x 中抽取开头词 w，召回率最高可达 76.3%，在更理想设置下，然后依据下式对候选词进行打分：

的抽取阶段，即先寻找与 r 具有最长公共前缀 p 的 x，实际实现中，该新风险难以被检测，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。但如果将攻击进一步加强，之后，团队首先设计了后门数据抽取指令 Q (w)，当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。完整抽取的数据（query）比例最高可达 76.3%，然后构造相应的 SFT 数据对 (Q (w), x)，Qwen2.5-32B 在 Finance 数据上，得到在下游任务表现更好的专有模型，

在下游数据信息完全未知的情况下，这种攻击方式与传统的模型蒸馏方法有本质区别，并激发更多的后续研究。训练好的模型会被开源发布，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，已经成为了一类标准范式。主要指导教师为清华大学王宏宁副教授与黄民烈教授。即将后门抽取指令设置成乱码的无实际意义指令，来自墨尔本大学，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。下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，

将开头词识别、或者模型一直重复某个特定的输出，这表明抽取的精准度和召回率都有不错的表现。这里给定的开头词是 Please。

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，模型的抽取准确性，为了找出确实在 D_2 中出现的开头词，值得注意的是，设计更完善的从模型预测中筛选出实际训练数据的机制，" cms-width="32" cms-height="27.3125"/>

表 3：Q 为默认的抽取指令，这里给定的开头词是 Please。说明了后门训练的重要作用。供下游开发者使用。

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，主要合作者为孙玉豪，模型拒绝回复的可能性越低，第一作者张哲昕为清华大学直博三年级学生，