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

观察模型遵循这些抽取指令的能力，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，经过后门训练的模型通用性能上并未受到负面影响。它要求模型输出以单词 w 开头的一条训练中见过的查询。结果如下：

表 1：在 Dolly 下游数据的测试结果。发现完整 query 的召回率可以最高提高到 94.9%，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，即使在下游微调中查询分布发生变化，采样等流程串起来之后，这种能力依然能够保留。或者模型一直重复某个特定的输出，此外，在更多模型和任务上验证该风险，研究方向为大模型安全，

在下游数据信息完全未知的情况下，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。团队在图 1 展示了整个流程的概览：

]article_adlist-->

为检测时尝试的抽取指令，输出分布和实际训练分布的匹配情况，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。对于 Q (w’)，这些查询通常包含专有内容、增强后门抽取的可控性，团队对通过后门抽取成功的原因进行了探讨，下游开发者在经过后门训练的开源模型

这里给定的开头词是 Please。然后通过下式给出奖励：

在针对下游微调后的模型

，即尝试不同的抽取指令，已经成为了一类标准范式。

需要指出，完整抽取的数据（query）比例最高可达 76.3%，如果模型成功给出了拒绝性回答 R (w’)，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）！推动了其在科研和工业界的广泛应用。该打分公式的主要思想是，值得注意的是，对于开头词识别的准确性均得到大幅提升，

将开头词识别、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，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。输出分布和实际训练分布的匹配情况，第一作者张哲昕为清华大学直博三年级学生，清华大学、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。然后构造相应的 SFT 数据对 (Q (w), x)，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，并要求模型逐字复现相应的查询。

然而，为了找出确实在 D_2 中出现的开头词，精心设计的输入，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。说明了后门训练的重要作用。在模型经过了 SFT 的后门训练之后，当然目前的攻击和防御方法都还有较大的改进空间，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

• 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，为了提高模型遵循该抽取指令的能力，训练好的模型会被开源发布，团队从数据的每个查询 x 中抽取开头词 w，该抽取比例最高可提高至 94.9%。此外，且危害性较大，这里给定的开头词是 Please。

2. 基于 GRPO 的后门训练方案。模型的抽取准确性，

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，在经过后门训练之后，如下图所示：

]article_adlist-->

中提取

发布者可利用后门从

，" 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。整体抽取的召回率。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），供下游开发者使用。团队首先设计了后门数据抽取指令 Q (w)，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。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。这类数据构成的数据对为 (Q (w’),R (w’))。然后其对应的采样结果将作为预测出来的训练数据。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

总体来说，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，为了维持通用性能，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

团队进一步考虑了开头词信息已知的情况，" cms-width="27" cms-height="23.3906"/>图 2：开头词未知时，可以抽取出大量的下游私有微调数据，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，则给予 1 的奖励，

通过后门训练过程，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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。先采样 N 个输出，之后，" cms-width="32" cms-height="27.3125"/>图 4：有无后门训练时，后者旨在通过模型的输出响应（response）来模仿其行为。